O que é MarkItDown?
O MarkItDown converte arquivos em Markdown para que modelos de linguagem e pipelines de texto possam lê-los. Ele lida com PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, EPUB, arquivos ZIP, imagens (metadados e OCR), áudio (transcrição) e URLs do YouTube, preservando títulos, listas, tabelas e links quando consegue.
É uma biblioteca Python e ferramenta de linha de comando com extras opcionais por formato, um sistema de plugins (incluindo um plugin de OCR que chama um modelo de visão) e repasse opcional ao Azure Document Intelligence ou ao Azure Content Understanding para arquivos mais difíceis. Um pacote separado o empacota como servidor MCP.
A Microsoft diz que a saída se destina a ferramentas de análise de texto, não a conversões de alta fidelidade para pessoas lerem.
MarkItDown vale a pena?
O MarkItDown é o caminho mais rápido para transformar arquivos Word, PowerPoint e Excel em Markdown que um modelo consegue ler, e uma escolha ruim para PDFs cujo sentido está em tabelas ou digitalizações. Tem cerca de 191.700 estrelas, e a Microsoft lançou a v0.1.9 em 21 de outubro de 2026, um mês depois da v0.1.8. As duas são versões de manutenção: a v0.1.9 aumentou o bloco de leitura HTTP de 512 bytes para 64 KB, acrescentou uma configuração de idioma para a transcrição de áudio e refez os testes em torno de fixtures reais.
Em PDFs ele fica atrás dos conversores que entendem layout. Uma comparação no danilchenko.dev, publicada em maio de 2026 e atualizada em agosto, constatou que o MarkItDown transformava tabelas de PDF em parágrafos corridos, embaralhava páginas com várias colunas e não devolvia quase nada de um documento digitalizado, porque não faz OCR por padrão. O mesmo teste cronometrou 0,6 segundo para um documento de 14 páginas, com uma instalação de cerca de 80MB, contra cerca de 2,4GB do Docling.
Os consertos custam dinheiro. O plugin markitdown-ocr envia as imagens embutidas a um modelo de visão que você fornece, como o GPT-4o, então o OCR é cobrado por chamada por esse provedor. A rota do Azure é cobrada por página: o modelo Read do Document Intelligence custa US$ 1,50 por 1.000 páginas e seus modelos pré-construídos, incluindo o Layout, US$ 10 por 1.000, enquanto a extração padrão de documentos do Content Understanding custa US$ 5 por 1.000. Nesses preços, 100.000 páginas digitalizadas por mês pelo Layout dão cerca de US$ 1.000.
O README é franco sobre segurança. O MarkItDown lê arquivos e URLs com os privilégios do processo que o executa, então um serviço que aceita entrada não confiável deve chamar a função de conversão mais restrita, como convert_stream, e sanitizar caminhos. Os plugins vêm desligados por padrão, o que é a decisão certa para uma biblioteca que executa código de terceiros.
A Microsoft também delimitou o escopo: o guia de contribuição exclui do repositório servidores web, APIs REST e serviços de conversão hospedados, com exceção do pacote markitdown-mcp. Quem quiser um serviço de conversão precisa construí-lo e protegê-lo por conta própria, o que é uma proposta diferente da do Docling ou do Unstructured.
Onde ele se destaca
Um engenheiro de RAG indexando 20.000 arquivos internos de Word e PowerPoint
Transformar um acervo do Office em chunks de Markdown para um banco vetorial
pip install 'markitdown[docx,pptx,xlsx]' e converta em um job em lote em uma instância comum de CPU. Títulos, listas e tabelas sobrevivem bem nos formatos do Office, e não há taxas por página.
Uma equipe de operações de uma seguradora que processa formulários de sinistro digitalizados
Extrair texto e tabelas de PDFs digitalizados
A conversão nativa não devolve quase nada de digitalizações, então encaminhe-as ao Azure Document Intelligence com o extra az-doc-intel. O Layout custa US$ 10 por 1.000 páginas, cerca de US$ 1.000 por mês com 100.000 páginas, e os arquivos saem da sua rede para o Azure.
Um desenvolvedor adicionando upload de arquivos a um assistente de chat interno
Aceitar documentos de usuários sem abrir uma brecha de leitura de arquivos ou SSRF
Chame convert_stream sobre os bytes enviados em vez de convert sobre um caminho ou URL fornecido pelo usuário, como o README recomenda, e mantenha os plugins desligados. Gratuito, mas a fronteira de segurança é você quem constrói.
Antes de decidir
- Configuração
- pip install 'markitdown[all]' (Python 3.10 a 3.14) ou escolha extras por formato; markitdown file.pdf > out.md na CLI, ou MarkItDown().convert() em Python. Há um Dockerfile para construir e rodar localmente.
- Integrações
- API Python e CLI; pacote markitdown-mcp para clientes MCP; plugins de terceiros (desligados por padrão); markitdown-ocr usando qualquer cliente compatível com OpenAI; backends Azure Document Intelligence e Azure Content Understanding.
- Dados e privacidade
- Local por padrão, sem telemetria mencionada no README; a busca de código do GitHub também não encontra nenhuma, e a imagem Docker define ORT_DISABLE_TELEMETRY=1. Os arquivos só vão para a OpenAI ou outro provedor se você ativar o plugin de OCR ou as descrições de imagens, e para o Azure se usar esses backends. Ele lê qualquer caminho ou URL que o processo alcance. MIT; nenhum alerta de segurança publicado.
- Custo em escala
- Gratuito em CPU para Office e PDFs nativamente digitais. O Read do Azure Document Intelligence custa US$ 1,50 e o Layout US$ 10 por 1.000 páginas, a extração padrão do Content Understanding US$ 5 por 1.000; o OCR com modelo de visão é cobrado por chamada pelo seu provedor.
- Limites
- Sem OCR nem estrutura de tabelas para PDFs de fábrica; cerca de 740 issues e pull requests abertos; numeração de versão anterior à 1.0; servidores e serviços hospedados estão fora do escopo do projeto.
O que é bom
- Ampla cobertura de formatos em uma só biblioteca
- Rápido, com instalação pequena e extras por formato
- Plugins desligados por padrão; backends opcionais no Azure
- Licença MIT e manutenção da Microsoft
O que não é
- Achata tabelas de PDF e layouts de várias colunas
- O OCR exige um modelo de visão pago ou o Azure
- Lê qualquer arquivo ou URL que o processo alcance
- Modo hospedado ou de servidor fora do escopo
Ideal para
Desenvolvedores que precisam alimentar um modelo com documentos do Office e PDFs digitais limpos de forma rápida e barata.
Alternativas ao MarkItDown
MarkItDown: perguntas frequentes
- MarkItDown vale a pena?
- O MarkItDown leva arquivos do Office até um modelo mais rápido que qualquer outra opção de código aberto, e achata justamente os PDFs que a recuperação mais precisa manter intactos. Damos nota 3.8 de 5.
- Quanto custa MarkItDown?
- Gratuito e de código aberto sob a licença MIT. Os serviços opcionais de conversão do Azure são cobrados pela Microsoft.
- Quais são as desvantagens de MarkItDown?
- Achata tabelas de PDF e layouts de várias colunas; o OCR exige um modelo de visão pago ou o Azure; lê qualquer arquivo ou URL que o processo alcance; modo hospedado ou de servidor fora do escopo.
- Para quem MarkItDown é indicado?
- Desenvolvedores que precisam alimentar um modelo com documentos do Office e PDFs digitais limpos de forma rápida e barata.
- Quanto custa MarkItDown para uma equipe ou em produção?
- Gratuito em CPU para Office e PDFs nativamente digitais. O Read do Azure Document Intelligence custa US$ 1,50 e o Layout US$ 10 por 1.000 páginas, a extração padrão do Content Understanding US$ 5 por 1.000; o OCR com modelo de visão é cobrado por chamada pelo seu provedor.
- MarkItDown é seguro para dados da empresa?
- Local por padrão, sem telemetria mencionada no README; a busca de código do GitHub também não encontra nenhuma, e a imagem Docker define ORT_DISABLE_TELEMETRY=1. Os arquivos só vão para a OpenAI ou outro provedor se você ativar o plugin de OCR ou as descrições de imagens, e para o Azure se usar esses backends. Ele lê qualquer caminho ou URL que o processo alcance. MIT; nenhum alerta de segurança publicado.
- Quais são as melhores alternativas ao MarkItDown?
- As alternativas mais próximas que analisamos são Docling, Unstructured, Marker, pdf-inspector, Xberg (formerly Kreuzberg) e Ocrs.
Respostas verificadas em 26 de out. de 2026.