Convertește documente în Markdown din CLI sau Python

Dacă lucrezi cu AI sau ML, probabil ai formate diferite în seturile de date: lucrări PDF, manuscrise DOCX, prezentări PPTX, foi XLSX și ebook-uri EPUB. Înainte de instruire, fine-tuning sau RAG, ele trebuie normalizate în text curat și structurat.

Acest articol arată cum folosești AnyMD din linia de comandă și Python pentru a converti orice format în Markdown într-un pas, fără parsere specifice formatului, fallback-uri sau curățare.

Din linia de comandă

Cea mai simplă utilizare: convertește un singur fișier.

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

Atât. AnyMD detectează formatul după extensie. Aceeași comandă funcționează pentru DOCX, PPTX, XLSX, RTF, EPUB, ODT, HTML, CSV și altele. Pentru a scrie ieșirea într-un fișier:

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

Din 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])

Conversie batch pentru date de instruire

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}")

Acesta este tot codul necesar pentru a normaliza o bibliotecă mixtă de documente în Markdown curat și consistent, gata pentru chunking, embedding sau fine-tuning.

De ce nu biblioteci specifice formatului?

Multe proiecte încep cu PyMuPDF pentru PDF, python-pptx pentru PowerPoint, python-docx pentru Word, openpyxl pentru Excel și ebooklib pentru EPUB: cinci biblioteci, cinci API-uri, cinci formate de ieșire și cinci sarcini de mentenanță.

AnyMD oferă un API, un format de ieșire (GFM Markdown) și o cheie de autentificare. Fără gestionare de biblioteci, conflicte de versiuni sau cazuri limită de depanat.

Obține cheia API gratuită — 100 de pagini/lună, fără card.