Convertir DOCX a Markdown con Python

Si trabajas con datos de entrenamiento para IA, pipelines de documentos o sistemas RAG, casi seguro que ya has tenido que lidiar con archivos DOCX. Los documentos de Word están en todas partes — borradores de investigación, informes empresariales, contratos legales, manuscritos — pero procesarlos mediante código es engorroso.

Este artículo muestra cómo convertir DOCX a Markdown limpio con la API REST de AnyMD desde Python, incluyendo procesamiento asíncrono por lotes, gestión de errores y paginación para flujos de trabajo a escala de producción.

¿Por qué convertir DOCX a Markdown?

DOCX es un formato binario (un ZIP de archivos XML). Bibliotecas como python-docx pueden extraer texto, pero pierden la estructura: los encabezados se convierten en párrafos simples, las listas colapsan en texto sangrado y las tablas se vuelven ruido separado por tabulaciones. Markdown conserva todo eso en un formato que cualquier LLM, base de datos vectorial y generador de sitios estáticos puede consumir de forma nativa.

Conversión de una sola vez

El caso más sencillo — un único archivo DOCX:

import requests

url = "https://anymd.net/api/convert"
headers = {"Authorization": "Bearer your-api-key"}

with open("report.docx", "rb") as f:
    resp = requests.post(url, headers=headers, files={"file": ("report.docx", f)})

if resp.ok:
    markdown = resp.text
    print(f"Got {len(markdown)} chars of Markdown")
else:
    print(f"Error {resp.status_code}: {resp.text}")

AnyMD detecta automáticamente DOCX a partir de la extensión del archivo y devuelve Markdown con sabor a GitHub. Se conservan encabezados, listas numeradas, listas con viñetas, negrita/cursiva, tablas, imágenes e hipervínculos, exactamente como los verías al abrir el documento en Word.

Conversión asíncrona por lotes con reintentos

Cuando tienes 50 o 500 archivos DOCX, convertirlos secuencialmente es demasiado lento. Aquí tienes un procesador asíncrono por lotes con una gestión de errores adecuada:

import asyncio
import aiohttp
from pathlib import Path

API_URL = "https://anymd.net/api/convert"
HEADERS = {"Authorization": "Bearer your-api-key"}

async def convert_one(session: aiohttp.ClientSession, path: Path, out_dir: Path) -> str:
    for attempt in range(3):
        try:
            data = aiohttp.FormData()
            data.add_field("file", path.read_bytes(), filename=path.name)
            async with session.post(API_URL, headers=HEADERS, data=data) as resp:
                if resp.status == 429:
                    wait = int(resp.headers.get("Retry-After", 5))
                    await asyncio.sleep(wait)
                    continue
                if resp.ok:
                    md = await resp.text()
                    out_path = out_dir / f"{path.stem}.md"
                    out_path.write_text(md)
                    return f"✓ {path.name}"
                return f"✗ {path.name} ({resp.status})"
        except (aiohttp.ClientError, asyncio.TimeoutError) as e:
            if attempt == 2:
                return f"✗ {path.name} — {e}"
            await asyncio.sleep(1.5 ** attempt)

async def batch_convert(docx_dir: str, out_dir: str, concurrency: int = 10):
    docx_files = list(Path(docx_dir).glob("*.docx"))
    out_path = Path(out_dir)
    out_path.mkdir(exist_ok=True)

    connector = aiohttp.TCPConnector(limit=concurrency)
    async with aiohttp.ClientSession(connector=connector) as session:
        tasks = [convert_one(session, p, out_path) for p in docx_files]
        results = await asyncio.gather(*tasks)

    ok = sum(1 for r in results if r.startswith("✓"))
    print(f"{ok}/{len(results)} converted — see {out_dir}/")

asyncio.run(batch_convert("docx_input", "markdown_output"))

El script usa un pool de sesiones con límite de conexiones (10 solicitudes simultáneas de forma predeterminada), reintenta ante límites de tasa 429 y errores transitorios con backoff exponencial, y guarda cada resultado como un .md archivo.

Paginación para bibliotecas de documentos grandes

Si obtienes documentos desde una API o un bucket de S3, quizá necesites procesarlos con paginación. Este es un patrón con generador:

import requests
from pathlib import Path
from typing import Generator

def document_batches(doc_dir: str, batch_size: int = 25) -> Generator[list[Path], None, None]:
    files = sorted(Path(doc_dir).glob("*.docx"))
    for i in range(0, len(files), batch_size):
        yield files[i : i + batch_size]

def convert_batch(batch: list[Path], api_key: str) -> list[tuple[str, bool]]:
    results = []
    with requests.Session() as sess:
        sess.headers.update({"Authorization": f"Bearer {api_key}"})
        for path in batch:
            with open(path, "rb") as f:
                resp = sess.post("https://anymd.net/api/convert", files={"file": (path.name, f)})
            if resp.ok:
                out = path.with_suffix(".md")
                out.write_text(resp.text)
                results.append((path.name, True))
            else:
                results.append((path.name, False))
    return results

# Process 10,000 documents in batches
total, ok = 0, 0
for batch in document_batches("archive", batch_size=25):
    results = convert_batch(batch, "your-api-key")
    for name, success in results:
        total += 1
        if success:
            ok += 1
    print(f"Progress: {ok}/{total}")

print(f"Done: {ok}/{total} documents converted")

Gestión de archivos DOCX grandes

AnyMD admite archivos DOCX de hasta 50 MB en el plan de pago.

Qué se conserva

Característica de DOCX	Salida Markdown
Encabezados 1–6	# hasta ######
Negrita / Cursiva	**bold** / *italic*
Listas numeradas	1. item — anidación correcta
Listas con viñetas	- item — anidación correcta
Tablas	Sintaxis de tablas GFM con alineación
Hipervínculos	[text](url)
Imágenes	
Bloques de código	Bloques delimitados con ```
Citas en bloque	> quote

Comparación con python-docx

La biblioteca estándar de Python python-docx te da acceso de bajo nivel a los detalles internos de DOCX — párrafos, fragmentos y estilos. Eso es potente para generar documentos mediante código, pero para la extracción significa que tienes que volver a implementar cada regla estructural que aplica el renderizador de Word:

• Encabezados — hay que asignar manualmente los estilos de párrafo a encabezados Markdown
• Listas — requiere analizar numPr y controlar la profundidad de las listas
• Tablas — extracción celda por celda y fila por fila, con formato GFM manual
• Imágenes — extracción de referencias rId y posterior descompresión de los archivos multimedia
• Control de cambios — sin soporte integrado

AnyMD hace todo esto con una sola llamada a la API. Un formato que aprender, una integración que mantener y un servicio que supervisar.

# python-docx approach — ~150 lines to get passable Markdown
from docx import Document
import re

doc = Document("report.docx")
output = []
for para in doc.paragraphs:
    if para.style.name.startswith("Heading"):
        level = para.style.name[-1]
        output.append(f"{'#' * int(level)} {para.text}")
    else:
        output.append(para.text)

# Compare: AnyMD — 6 lines, no edge cases
# curl https://anymd.net/api/convert -H "Authorization: Bearer ***" -F "file=@report.docx"

De DOCX a un pipeline RAG

Una vez que tus archivos DOCX están en Markdown, el siguiente paso es fragmentarlos y generar embeddings para RAG. La salida de AnyMD es la entrada ideal para estrategias de fragmentación semántica — se conservan los límites de encabezados, la estructura de las listas y los encabezados de tablas, de modo que tus fragmentos respetan la semántica del documento en lugar de cortar párrafos a mitad de frase.

Para una comparación más detallada de los enfoques de fragmentación sobre salida Markdown, consulta nuestra guía sobre fragmentación recursiva por caracteres.

Precios

Plan	Páginas/mes	Tamaño máximo de archivo	Precio
Gratis	100	10 MB	$0
Inicial	500	25 MB	$19
Pro	5,000	50 MB	$99
Empresa	Personalizado	Personalizado	Personalizado

Una página DOCX típica se convierte en menos de 0,3 segundos.

Obtén tu clave de API gratuita — 100 páginas/mes, sin tarjeta de crédito.