MarkItDown : convertir PDF, Word et Excel en Markdown

Je suis tombé sur MarkItDown, un petit outil Python développé par Microsoft pour convertir différents types de fichiers en Markdown.

Le principe est simple : on lui donne un PDF, un document Word, un fichier Excel ou une présentation PowerPoint, et il génère un fichier texte structuré en Markdown.

Ce n’est pas un convertisseur destiné à reproduire parfaitement la mise en page d’origine. Son objectif est plutôt de récupérer le contenu utile : titres, listes, tableaux, liens et texte.

C’est particulièrement intéressant pour préparer des documents destinés à un LLM, un moteur de recherche, une base documentaire ou simplement pour récupérer proprement le contenu d’un fichier.

Dépôt officiel Microsoft MarkItDown MarkItDown sait convertir pas mal de formats : Le support exact dépend des extensions Python installées.

Pour les images, MarkItDown peut récupérer les métadonnées EXIF et utiliser de l’OCR. Pour l’audio, il peut extraire les métadonnées et produire une transcription. MarkItDown demande Python 3.10 ou une version plus récente.

Je conseille de créer un environnement virtuel pour éviter de mélanger ses dépendances avec les autres outils Python installés sur la machine.

Sous Windows : Sous Linux : L’option `all` installe les dépendances nécessaires pour tous les formats pris en charge.

Si on veut seulement travailler avec des PDF, documents Word et fichiers Excel, on peut limiter l’installation : La commande de base est très simple. MarkItDown lit le fichier `document.pdf`, puis écrit le résultat dans `document.md`.

Sans l’option de sortie, le contenu est directement affiché dans le terminal : Une fois la conversion terminée, on peut ouvrir le fichier Markdown dans Visual Studio Code ou n’importe quel éditeur de texte.

Le résultat dépend évidemment du PDF utilisé. Un document contenant du vrai texte sera généralement plus simple à convertir qu’un ancien scan composé uniquement d’images. La même commande fonctionne avec un document Word :

Les titres, paragraphes, listes, tableaux et liens sont alors transformés dans une structure Markdown plus légère.

C’est pratique pour récupérer le contenu d’une documentation Word avant de l’intégrer dans un dépôt Git, un wiki ou une base documentaire. MarkItDown peut aussi lire les fichiers Excel. Les feuilles et tableaux sont convertis sous une forme exploitable en Markdown.

Le résultat ne remplacera évidemment pas Excel : les graphiques, macros, mises en forme avancées et certaines formules ne seront pas reproduits comme dans le classeur original.

Mais pour extraire un tableau et le rendre lisible par une IA, c’est plutôt pratique. Markdown reste très proche du texte brut, tout en conservant une structure facile à comprendre.

Par exemple : Ce format est léger, lisible et facile à versionner avec Git.

Il est également bien compris par les modèles de langage. On peut donc convertir une documentation avant de la transmettre à une IA locale, l’ajouter à un système RAG ou l’indexer dans un moteur de recherche.

Quelques usages possibles :
- transformer une documentation Word en fichiers Markdown
- extraire le texte d’un PDF
- préparer des documents pour une IA locale
- intégrer un ancien document dans un wiki
- convertir des tableaux Excel pour une analyse textuelle
- archiver du contenu dans un format ouvert MarkItDown peut aussi être utilisé directement dans un script Python. Cette méthode peut servir à automatiser la conversion d’un dossier de documents ou à intégrer MarkItDown dans une application.

Pour une utilisation ponctuelle, la commande dans le terminal reste largement suffisante. MarkItDown ne remplace pas un vrai logiciel de conversion documentaire.

Il ne faut pas s’attendre à conserver :
- une mise en page complexe
- les polices et couleurs
- la position exacte des éléments
- les animations PowerPoint
- les graphiques Excel interactifs
- toutes les informations d’un PDF scanné

Le résultat dépend aussi beaucoup du fichier source. Deux PDF qui semblent identiques à l’écran peuvent avoir une structure interne complètement différente. Microsoft précise que MarkItDown accède aux fichiers et aux ressources avec les droits du processus qui l’exécute.

Il faut donc être prudent avant d’automatiser la conversion de fichiers ou d’URL fournis par des utilisateurs inconnus.

Dans une application serveur, Microsoft recommande de valider les entrées et d’utiliser la fonction de conversion la plus limitée possible.

Par exemple, si l’application doit seulement convertir des fichiers locaux, il vaut mieux utiliser `convert_local()` plutôt que la méthode générale `convert()`. MarkItDown fait une chose assez simple, mais il la rend vraiment pratique.

Une seule commande suffit pour transformer un PDF, un document Word ou un fichier Excel en texte Markdown plus facile à lire et à exploiter.

Je le trouve surtout intéressant pour préparer des documents avant de les transmettre à une IA. Au lieu d’envoyer directement un gros fichier opaque, on peut inspecter le Markdown produit, retirer les parties inutiles et garder uniquement le contenu important.

Ce n’est pas un outil de publication et il ne reproduira jamais parfaitement la mise en page d’origine.

Mais pour extraire une structure propre, automatiser des conversions ou alimenter une base documentaire, il mérite clairement d’être gardé dans la boîte à outils. MarkItDown est un outil open source léger et assez simple à prendre en main.

Il prend en charge de nombreux formats, fonctionne en ligne de commande et peut aussi être intégré dans un script Python.

Pour convertir quelques documents en Markdown, préparer du contenu pour une IA locale ou récupérer proprement le texte d’un ancien fichier Office, il fait très bien le travail.

Dépôt GitHub de MarkItDown