Converter documentos para Markdown a partir da CLI ou Python

Se trabalha com IA ou ML, provavelmente tem formatos mistos nos seus dados: artigos PDF, manuscritos DOCX, apresentações PPTX, folhas XLSX e ebooks EPUB. Antes de treino, fine-tuning ou RAG, precisam de ser normalizados em texto limpo e estruturado.

Este artigo mostra como utilizar o AnyMD na linha de comandos e em Python para converter qualquer formato em Markdown num passo, sem parsers específicos, fallbacks ou limpeza.

Na linha de comandos

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

É tudo. O AnyMD deteta o formato pela extensão. O mesmo comando funciona para DOCX, PPTX, XLSX, RTF, EPUB, ODT, HTML, CSV e mais. Para escrever a saída num ficheiro:

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

Em 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])

Conversão em lote para dados de treino

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}")

Este é todo o código necessário para normalizar uma biblioteca mista de documentos em Markdown consistente, pronto para chunking, embeddings ou fine-tuning.

Porque não usar bibliotecas específicas?

Muitos projetos usam PyMuPDF para PDF, python-pptx para PowerPoint, python-docx para Word, openpyxl para Excel e ebooklib para EPUB: cinco bibliotecas, cinco APIs, cinco formatos de saída e cinco custos de manutenção.

O AnyMD é uma API, um formato de saída (GFM Markdown) e uma chave de autenticação. Sem gestão de bibliotecas, conflitos de versão ou casos específicos para depurar.

Obtenha a sua chave API grátis — 100 páginas/mês, sem cartão.