doc2md

Convierte PDF, DOCX, PPTX, XLSX y archivos de LibreOffice a Markdown limpio para usar con LLMs.

Enviar un .md a un modelo de lenguaje consume menos tokens que un PDF y produce mejores resultados — este proyecto automatiza esa conversión con una interfaz web local.

Formatos soportados

Formato	Extensión
PDF	.pdf
Word	.docx
PowerPoint	.pptx
Excel	.xlsx .xls
LibreOffice Writer	.odt
LibreOffice Calc	.ods
LibreOffice Impress	.odp

---

Instalación

Requisitos

• Python 3.10 o superior

Pasos

# 1. Clonar el repositorio
git clone https://github.com/Helminth117/doc2md_app.git
cd doc2md_app

# 2. Crear entorno virtual
python -m venv .venv

# 3. Activar el entorno virtual
# Linux / macOS (bash/zsh)
source .venv/bin/activate

# Fish shell (Linux)
source .venv/bin/activate.fish

# Windows
.venv\Scripts\activate

# 4. Instalar dependencias
pip install -r requirements.txt

# 5. Correr la app
python app.py

Abre http://localhost:5000 en tu navegador.

---

Uso

1. Arrastra tu archivo a la zona de drop o haz clic para seleccionarlo.
2. Presiona Convertir.
3. Revisa el preview de Markdown en el panel derecho.
4. Descarga el archivo .md con el botón de descarga.

---

Dependencias

Librería	Uso
flask	Servidor web
pdfplumber	Extracción de texto y tablas de PDF
mammoth	Conversión de DOCX a Markdown
python-pptx	Lectura de presentaciones PPTX
openpyxl	Lectura de hojas de cálculo XLSX
odfpy	Soporte para formatos LibreOffice (ODT, ODS, ODP)

---

Estructura del proyecto

doc2md_app/
├── app.py              # Backend Flask y lógica de conversión
├── requirements.txt    # Dependencias Python
├── templates/
│   └── index.html      # Interfaz web (HTML/CSS/JS)
├── uploads/            # Archivos temporales (se eliminan tras convertir)
└── outputs/            # Archivos .md generados

---

Licencia

MIT

---