Código abiertoScraping60k

MarkItDown

Convierte documentos y contenido web en Markdown limpio listo para LLMs.

MarkItDown es una utilidad de Microsoft que convierte una amplia variedad de archivos y páginas web (HTML, PDF, documentos Office, imágenes, audio) en Markdown limpio optimizado para el consumo por LLMs. Preserva la estructura como encabezados, tablas y listas para que los modelos puedan razonar sobre el contenido de forma fiable. Destaca por normalizar contenido web o descargado desordenado en un único formato de texto para la ingesta.

Ver repo

Repositorio

microsoft/markitdown

Lenguaje

Python

Lo que construirías con esto

Convertir páginas HTML scrapeadas en Markdown limpio para la ingesta en RAG
Normalizar PDFs y documentos Office en texto compatible con LLMs
Preprocesar contenido web mixto en un formato consistente para embeddings

Etiquetas

markdownllmconversionrag