MarkItDown

O MarkItDown é um utilitário em Python, mantido pela Microsoft, que transforma arquivos em Markdown. Ele preserva títulos, listas, tabelas e links, e a saída foi pensada para alimentar modelos de linguagem e pipelines de análise de texto. A conversão básica roda na sua máquina, sem subir o documento para o site de ninguém.

Para que serve

• Converter PDF, Word, Excel e PowerPoint em texto estruturado antes de mandar para um LLM.
• Tirar metadados EXIF e texto por OCR de imagens, e transcrever áudio.
• Ler HTML, CSV, JSON, XML, EPub e o conteúdo de arquivos ZIP.
• Montar a etapa de ingestão de um projeto de RAG, transformando dados não estruturados em algo que o modelo lê bem.

Como começar

Você precisa de Python 3.10 a 3.14, de preferência num ambiente virtual. A instalação com todos os extras é:

pip install 'markitdown[all]'

Depois, na linha de comando:

markitdown path-to-file.pdf -o document.md

Também dá para chamar a biblioteca direto do Python. Há integrações opcionais com o Azure Document Intelligence e com um cliente de LLM para descrever imagens. Essas opções mandam conteúdo para um serviço externo, e o Azure Content Understanding cobra por chamada. Para PDF digitalizado, o post sobre OCR explica o que esperar.

O README avisa que o MarkItDown roda com as permissões do processo que o chama. Se o arquivo ou a URL vier de usuário, valide a entrada e bloqueie endereços internos da rede.

Licença e custo

A biblioteca é gratuita, e a licença MIT não barra uso comercial. Custo só aparece se você ligar os serviços da Azure ou um LLM pago.

Quando vale a pena

Serve bem para quem desenvolve com IA e precisa jogar documentos de escritório num modelo. A própria Microsoft diz que a saída é para análise de texto, então não espere uma conversão fiel para leitura humana. Para quem só converte um PDF de vez em quando, rodar local evita os riscos descritos em conversor de PDF online. Se a meta é converter documentos entre formatos para gente ler, o Pandoc é uma alternativa conhecida.