Combien coûte MarkItDown ?

Gratuit et open source sous la licence MIT. Les services de conversion Azure optionnels sont facturés par Microsoft.

Quels sont les inconvénients de MarkItDown ?

Aplatit les tableaux PDF et les mises en page multi-colonnes; l'OCR a besoin d'un modèle de vision payant ou d'Azure; lit n'importe quel fichier ou URL que le processus peut atteindre; pas de mode hébergé ou serveur dans la portée.

Combien coûte MarkItDown pour une équipe ou en production ?

Gratuit sur CPU pour Office et les PDF nés numériques. Azure Document Intelligence Read est à 1,50 $ et Layout à 10 $ par 1 000 pages, l'extraction standard de Content Understanding à 5 $ par 1 000 ; l'OCR par modèle de vision est facturé par appel par votre fournisseur.

MarkItDown est-il sûr pour les données de l’entreprise ?

Local par défaut sans télémétrie mentionnée dans le README ; la recherche de code GitHub n'en trouve aucune non plus, et l'image Docker règle ORT_DISABLE_TELEMETRY=1. Les fichiers ne vont à OpenAI ou à un autre fournisseur que si vous activez le plugin OCR ou les descriptions d'images, et à Azure si vous utilisez ces backends. Il lit n'importe quel chemin ou URL que le processus peut atteindre. MIT ; pas d'avis de sécurité publiés.

Quelles sont les meilleures alternatives à MarkItDown ?

Les alternatives les plus proches que nous avons testées sont Docling, Unstructured, Marker, pdf-inspector, Xberg (formerly Kreuzberg) et Ocrs.

MarkItDown avis sur le dépôt GitHub (2026)

Qu’est-ce que MarkItDown ?

MarkItDown convertit les fichiers en Markdown pour que les modèles de langage et les pipelines de texte puissent les lire. Il gère les PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, EPUB, les archives ZIP, les images (métadonnées et OCR), l'audio (transcription) et les URL YouTube, en gardant les titres, listes, tableaux et liens là où il le peut.

C'est une bibliothèque Python et un outil en ligne de commande avec des extras optionnels par format, un système de plugins (dont un plugin OCR qui appelle un modèle de vision), et des passages optionnels à Azure Document Intelligence ou Azure Content Understanding pour les fichiers plus difficiles. Un paquet séparé l'enveloppe comme serveur MCP.

Microsoft dit que la sortie est destinée aux outils d'analyse de texte, pas à une conversion haute fidélité pour que les gens la lisent.

MarkItDown vaut-il le coup ?

MarkItDown est la manière la plus rapide de transformer les fichiers Word, PowerPoint et Excel en Markdown qu'un modèle peut lire, et un mauvais choix pour les PDF dont le sens vit dans les tableaux ou les scans. Il a environ 191 700 étoiles, et Microsoft a livré v0.1.9 le 21 octobre 2026, un mois après la v0.1.8. Les deux sont des versions de maintenance : la v0.1.9 a relevé le morceau de lecture HTTP de 512 octets à 64 Ko, ajouté un réglage de langue pour la transcription audio et reconstruit les tests autour de vraies fixtures.

Sur les PDF, il est en deçà des convertisseurs conscients de la disposition. Une comparaison sur danilchenko.dev, d'abord publiée en mai 2026 et mise à jour en août, a trouvé que MarkItDown transformait les tableaux PDF en paragraphes continus, brouillait les pages multi-colonnes et ne renvoyait presque rien d'un document scanné, parce qu'il ne fait pas d'OCR par défaut. Le même test l'a chronométré à 0,6 seconde pour un document de 14 pages avec une installation d'environ 80 Mo, contre environ 2,4 Go pour Docling.

Les réparations coûtent de l'argent. Le plugin markitdown-ocr envoie les images intégrées à un modèle de vision que vous fournissez, comme GPT-4o, si bien que l'OCR est facturé par appel par ce fournisseur. La voie Azure est tarifée par page : le modèle Read de Document Intelligence liste 1,50 $ par 1 000 pages et ses modèles préconstruits, dont Layout, 10 $ par 1 000, tandis que l'extraction de documents standard de Content Understanding est à 5 $ par 1 000. À ces tarifs, 100 000 pages scannées par mois via Layout revient à environ 1 000 $.

Le README est franc sur la sécurité. MarkItDown lit les fichiers et les URL avec les privilèges du processus qui le fait tourner, si bien qu'un service qui accepte des entrées non fiables devrait appeler la fonction convert la plus étroite, comme convert_stream, et assainir les chemins. Les plugins sont désactivés par défaut, ce qui est le bon choix pour une bibliothèque qui exécute du code tiers.

Microsoft a aussi tracé une ligne sur la portée : le guide de contribution exclut les serveurs web, les API REST et les services de conversion hébergés dans le dépôt, à part le paquet markitdown-mcp. Quiconque veut un service de conversion le construit et le sécurise lui-même, ce qui est une proposition différente de Docling ou Unstructured.

Là où il fait la différence

Un ingénieur RAG qui indexe 20 000 fichiers Word et PowerPoint internes
Transformer une archive Office en morceaux Markdown pour un magasin de vecteurs
pip install 'markitdown[docx,pptx,xlsx]' et convertissez dans un travail par lots sur une instance CPU ordinaire. Les titres, listes et tableaux survivent bien dans les formats Office, et il n'y a pas de frais par page.
Une équipe des opérations chez un assureur qui traite des formulaires de sinistre scannés
Extraire le texte et les tableaux de PDF scannés
La conversion intégrée ne renvoie presque rien des scans, alors routez-les vers Azure Document Intelligence avec l'extra az-doc-intel. La tarification Layout est à 10 $ par 1 000 pages, environ 1 000 $ par mois à 100 000 pages, et les fichiers quittent votre réseau pour Azure.
Un développeur qui ajoute des téléversements de fichiers à un assistant de chat interne
Accepter les documents des utilisateurs sans ouvrir un trou de lecture de fichier ou de SSRF
Appelez convert_stream sur les octets téléversés plutôt que convert sur un chemin ou une URL fourni par l'utilisateur, comme le conseille le README, et gardez les plugins désactivés. Gratuit, mais la frontière de sécurité est à vous de construire.

Avant de vous engager

Mise en route: pip install 'markitdown[all]' (Python 3.10 à 3.14) ou choisissez les extras par format ; markitdown file.pdf > out.md depuis le CLI, ou MarkItDown().convert() en Python. Un Dockerfile est fourni pour le construire et le faire tourner localement.
Intégrations: API Python et CLI ; paquet markitdown-mcp pour les clients MCP ; plugins tiers (désactivés par défaut) ; markitdown-ocr utilisant n'importe quel client compatible OpenAI ; backends Azure Document Intelligence et Azure Content Understanding.
Données et confidentialité: Local par défaut sans télémétrie mentionnée dans le README ; la recherche de code GitHub n'en trouve aucune non plus, et l'image Docker règle ORT_DISABLE_TELEMETRY=1. Les fichiers ne vont à OpenAI ou à un autre fournisseur que si vous activez le plugin OCR ou les descriptions d'images, et à Azure si vous utilisez ces backends. Il lit n'importe quel chemin ou URL que le processus peut atteindre. MIT ; pas d'avis de sécurité publiés.
Coût à grande échelle: Gratuit sur CPU pour Office et les PDF nés numériques. Azure Document Intelligence Read est à 1,50 $ et Layout à 10 $ par 1 000 pages, l'extraction standard de Content Understanding à 5 $ par 1 000 ; l'OCR par modèle de vision est facturé par appel par votre fournisseur.
Limites: Pas d'OCR ni de structure de tableaux pour les PDF d'emblée ; environ 740 issues et pull requests ouvertes ; numérotation de version pré-1.0 ; les serveurs et services hébergés sont hors de la portée du projet.

Les points forts

Large couverture de formats dans une seule bibliothèque
Rapide, avec une petite installation et des extras par format
Plugins désactivés par défaut ; backends Azure optionnels
Licence MIT et maintenance Microsoft

Les points faibles

Aplatit les tableaux PDF et les mises en page multi-colonnes
L'OCR a besoin d'un modèle de vision payant ou d'Azure
Lit n'importe quel fichier ou URL que le processus peut atteindre
Pas de mode hébergé ou serveur dans la portée

Idéal pour

Les développeurs qui ont besoin d'alimenter rapidement et à bas coût un modèle avec des documents Office et des PDF numériques propres.

Alternatives à MarkItDown

Docling

RAG & dataPython69k stars

4.5/5

IBM-born toolkit that converts PDFs, Office files, HTML and images into clean Markdown or JSON for RAG, with strong table handling.

Unstructured

RAG & dataPython16k stars

3.8/5

Python library that partitions many document types into typed elements (titles, text, tables) for RAG and ETL pipelines.

Marker

RAG & dataPython41k stars

4.3/5

Datalab's PDF-to-Markdown converter that reads the text layer first and calls its OCR model only where a page needs it.

pdf-inspector

RAG & dataRust20k stars

4.2/5

Firecrawl's Rust PDF parser: tells text PDFs from scans in milliseconds and turns the text ones into Markdown without OCR.

Xberg (formerly Kreuzberg)

RAG & dataRust9.4k stars

4.1/5

Rust document extractor, formerly Kreuzberg: 107 formats, eight OCR backends, 15 language bindings, plus CLI, REST API and MCP server.

Ocrs

RAG & dataRust1.9k stars