Convertire documenti in Markdown dalla CLI o da Python

Se lavori con IA o ML, probabilmente nei tuoi dataset hai formati documentali diversi: articoli PDF, manoscritti DOCX, presentazioni PPTX, fogli XLSX ed ebook EPUB. Prima di usarli per addestramento, fine-tuning o RAG, vanno normalizzati in testo pulito e strutturato.

Questo articolo mostra come usare AnyMD dalla riga di comando e da Python per convertire qualsiasi formato in Markdown in un solo passaggio: niente parser specifici, fallback o pulizia.

Dalla riga di comando

L'uso più semplice: convertire un singolo file.

curl https://anymd.net/api/convert \
  -H "Authorization: Bearer your-key" \
  -F "file=@paper.pdf"

È tutto. AnyMD rileva automaticamente il formato dall'estensione. Lo stesso comando funziona per DOCX, PPTX, XLSX, RTF, EPUB, ODT, HTML, CSV e altro. Per scrivere l'output in un file:

curl -s https://anymd.net/api/convert \
  -H "Authorization: Bearer your-key" \
  -F "file=@research-paper.pdf" \
  -o research-paper.md

Da Python

import requests

with open("report.pdf", "rb") as f:
    resp = requests.post(
        "https://anymd.net/api/convert",
        headers={"Authorization": "Bearer your-key"},
        files={"file": ("report.pdf", f)},
    )
    markdown = resp.text
    print(markdown[:500])

Conversione in batch per dati di addestramento

import requests
from pathlib import Path

markdown_dir = Path("training_data_md")
markdown_dir.mkdir(exist_ok=True)

for doc in Path("raw_documents").glob("*"):
    if doc.suffix not in {".pdf", ".docx", ".pptx", ".xlsx", ".epub"}:
        continue
    with open(doc, "rb") as f:
        resp = requests.post(
            "https://anymd.net/api/convert",
            headers={"Authorization": "Bearer your-key"},
            files={"file": (doc.name, f)},
        )
        if resp.ok:
            out = markdown_dir / f"{doc.stem}.md"
            out.write_text(resp.text)
            print(f"✓ {doc.name} → {out.name}")
        else:
            print(f"✗ {doc.name}: {resp.status_code}")

Questo è tutto il codice necessario per normalizzare una raccolta mista di documenti in Markdown pulito e coerente, pronto per chunking, embedding o fine-tuning.

Perché non usare librerie specifiche per formato?

Molti progetti iniziano con PyMuPDF per PDF, python-pptx per PowerPoint, python-docx per Word, openpyxl per Excel ed ebooklib per EPUB: cinque librerie, cinque API, cinque formati di output e cinque oneri di manutenzione.

AnyMD è un'API, un formato di output (GFM Markdown) e una chiave di autenticazione. Nessuna gestione di librerie, conflitto di versione o caso limite specifico di formato da correggere.

Ottieni la tua chiave API gratuita — 100 pagine/mese, nessuna carta richiesta.