Como converter arquivos em Markdown para LLMs

24.0K views
•
September 15, 2025
by
Sandeco
YouTube video player
Como converter arquivos em Markdown para LLMs

TL;DR

Use o MarkItDown, biblioteca Python da Microsoft, para converter PDFs e outros formatos em Markdown antes de enviá-los a LLMs ou agentes. A instalação com todos os complementos e poucas linhas de código permite preservar a estrutura dos documentos, reduzir o custo em tokens e preparar texto para aplicações como RAG.

Transcript

[Música] Saca só essa situação. Você tem um projeto incrível de A, mas os seus dados estão espalhados para todo lado. Tem relatório em PDF, uma apresentação em PowerPoint, uma planilha em Excel, um áudio de reunião e até link de YouTube. Como é que você pode juntar tudo isso de tal forma essa salada de informações, né, para passar para o seu agente... Read More

Key Insights

  • O MarkItDown converte documentos e outras fontes de dados em Markdown para uso com agentes e LLMs.
  • O Markdown preserva estruturas importantes do documento usando marcação próxima de texto simples.
  • LLMs como GPT-4o, GPT-5 e Gemini compreendem Markdown e frequentemente o usam em suas respostas.
  • Conversões para Markdown são apresentadas como eficientes no consumo de tokens por modelos de linguagem.
  • A instalação com a opção all inclui complementos para PDF, Excel, PowerPoint e outros formatos.
  • A opção enable_plugins=True permite carregar o complemento utilizado na conversão do arquivo PDF.
  • Um PDF de quase 200 páginas foi convertido em aproximadamente 30 segundos durante a demonstração.
  • O conteúdo convertido pode ser salvo em um arquivo .md com UTF-8 e preparado para divisão em chunks.

Explore YouTube Video Summarizer or Get YouTube Transcript Extractor

Questions & Answers

Q: Como converter um PDF em Markdown com o MarkItDown?

Crie um projeto Python, configure um ambiente virtual e instale o MarkItDown com a opção all, que acrescenta os complementos necessários para trabalhar com PDF e outros formatos. No código, importe a biblioteca, instancie o objeto MarkItDown com enable_plugins=True e chame o método de conversão informando o caminho do PDF. O resultado contém o texto convertido em Markdown. Na demonstração, esse procedimento exigiu apenas poucas linhas de programação e processou integralmente um livro com quase 200 páginas.

Q: Por que converter documentos em Markdown antes de usar uma LLM?

O Markdown é próximo de texto simples, utiliza pouca marcação e ainda consegue representar estruturas importantes de um documento. Segundo a apresentação, modelos como GPT-4o, GPT-5 e Gemini compreendem esse formato e frequentemente o incorporam às próprias respostas sem uma solicitação específica. A conversão também é descrita como eficiente em termos de tokens. Assim, transformar documentos em Markdown oferece uma maneira de reunir informações de diferentes origens em um texto estruturado que pode ser entregue a uma LLM ou a um agente.

Q: Quais formatos o MarkItDown consegue converter?

A lista apresentada inclui PDF, PowerPoint, Word, Excel, imagens, áudio, HTML, CSV, JSON, XML, arquivos ZIP, links do YouTube, URLs e EPUB. Essa variedade atende ao problema de projetos cujas informações estão espalhadas entre relatórios, apresentações, planilhas, gravações de reuniões e conteúdo publicado na internet. Ao converter essas fontes para Markdown, a biblioteca cria um formato comum para encaminhar os dados a agentes ou modelos de linguagem, sem exigir que cada origem permaneça em sua estrutura original.

Q: Como instalar todos os complementos do MarkItDown?

A instalação demonstrada usa o gerenciador UV e adiciona o pacote MarkItDown com a opção all entre colchetes. Essa opção é importante porque inclui os complementos destinados a formatos como PDF, Excel e PowerPoint. Antes disso, o projeto é iniciado com Python 3.12 e recebe um ambiente virtual chamado venv. Depois da instalação, o código pode criar uma instância da biblioteca com os complementos habilitados. O vídeo destaca que o UV concluiu essa etapa rapidamente durante a preparação do exemplo.

Q: Como salvar o resultado convertido em um arquivo Markdown?

Depois de converter o PDF, utilize o conteúdo retornado pela biblioteca e grave-o em um arquivo com extensão .md. Na demonstração, o resultado foi salvo como mcp.md usando codificação UTF-8, considerada importante pelo apresentador. Ao abrir esse arquivo no explorador do projeto, ele continha o texto do livro, incluindo o prefácio e as demais informações extraídas. Dessa forma, o material deixa de existir apenas como uma saída impressa na tela e passa a ficar disponível como documento Markdown reutilizável.

Q: Como o Markdown convertido pode ser usado em um projeto RAG?

O conteúdo convertido pode servir como texto para preparar as informações que serão usadas em um projeto RAG. O apresentador explica que esse tipo de aplicação precisa de texto puro e menciona a futura divisão do material em chunks. O fluxo mostrado transforma o PDF em Markdown e salva o resultado em um arquivo .md, criando uma base textual que poderá ser segmentada. A biblioteca, portanto, atua na etapa de transformação dos documentos antes de o conteúdo ser organizado e encaminhado ao restante do processo.

Q: Quanto tempo levou para converter o livro em PDF?

A conversão do livro demorou aproximadamente 30 segundos na demonstração. O arquivo tinha mais de 180 páginas e foi descrito também como tendo quase 200 páginas, motivo pelo qual o apresentador interrompeu brevemente a gravação enquanto aguardava o processamento. Após a conclusão, todo o livro apareceu convertido em Markdown e pôde ser impresso na tela. Em seguida, o processo foi repetido para salvar o conteúdo em um arquivo mcp.md, que ficou visível no explorador do projeto.

Q: Qual problema o MarkItDown resolve em projetos de inteligência artificial?

O MarkItDown ajuda a organizar informações que estão distribuídas entre vários tipos de arquivo e fontes. O exemplo inicial reúne relatório em PDF, apresentação em PowerPoint, planilha em Excel, áudio de reunião e link do YouTube, materiais que formam uma coleção difícil de enviar diretamente a um agente ou uma LLM. A biblioteca converte essas entradas para Markdown, criando uma representação textual comum. Isso permite reunir conteúdo heterogêneo, manter elementos estruturais relevantes e preparar os dados para modelos de linguagem e aplicações de RAG.

Summary & Key Takeaways

  • O MarkItDown reúne dados dispersos ao converter PDF, PowerPoint, Word, Excel, imagens, áudio, HTML, CSV, JSON, XML, ZIP, URLs, YouTube e EPUB em Markdown, formato compreendido por LLMs.

  • O projeto é iniciado com Python 3.12 e um ambiente virtual. A instalação do pacote com a opção all adiciona os complementos necessários para trabalhar com formatos como PDF, Excel e PowerPoint.

  • Na demonstração, um livro em PDF com quase 200 páginas é convertido em cerca de 30 segundos. O texto resultante é gravado em um arquivo .md com codificação UTF-8 para uso posterior em agentes e RAG.


Read in Other Languages (beta)

Share This Summary 📚

Explore More Summaries from Sandeco 📚