Ir al contenido
angel.library

AnyDoc: documentos a Markdown desde Rust, Node y Python

Hallazgos Código y desarrollo Fuente oficial

Categoría de recurso
Herramientas de desarrollo
Abrir el recurso Repositorio

En pocas palabras

Sección titulada «En pocas palabras»

AnyDoc es una librería open source escrita en Rust que transforma Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV, texto y PDF en Markdown compatible con GitHub. Ofrece una CLI, APIs para Node.js y Python, WebAssembly para navegador y un crate de Rust.

El proyecto usa un modelo interno común y serializadores por formato. Eso permite conservar títulos, tablas, celdas combinadas, notas al pie, ecuaciones y recursos incrustados con una salida que puede revisarse como texto.

Qué problema resuelve

Sección titulada «Qué problema resuelve»

Los pipelines de documentación suelen mezclar extracción, limpieza y carga. AnyDoc concentra la primera transformación y deja el Markdown listo para revisar, versionar o pasar a un indexador. La demo en el navegador permite probar archivos sin preparar un proyecto.

No es un conversor semántico universal: convierte estructura y texto, pero no decide si el contenido es correcto ni sustituye un OCR especializado para todos los documentos escaneados.

Inicio rápido

Sección titulada «Inicio rápido»

La CLI puede instalarse y ejecutarse con npx:

Ventana de terminal
pnpm dlx skills add firecrawl/anydoc
pnpm dlx @firecrawl/anydoc report.docx
pnpm dlx @firecrawl/anydoc slides.pptx -o slides.md

Para usar la distribución publicada en un proyecto Node, revisa el nombre y la versión del paquete en el README:

Ventana de terminal
pnpm add @firecrawl/anydoc

La API expone funciones como toMarkdown, toMarkdownBytes y toDocument. En Python el paquete se instala como firecrawl-anydoc; en Rust, como anydoc; para navegador existe @firecrawl/anydoc-wasm.

PDF y OCR

Sección titulada «PDF y OCR»

Los PDF con texto se pueden convertir localmente. Un PDF compuesto solo por imágenes necesita OCR. AnyDoc documenta una opción --ocr hosted que envía el documento a Firecrawl Parse; en ese caso deja de ser un procesamiento completamente local y debes revisar privacidad, tamaño y costes del servicio.

Una comprobación segura para un pipeline es:

  1. identificar el tipo de archivo y si contiene texto seleccionable;
  2. convertir un ejemplar pequeño;
  3. revisar títulos, tablas y saltos de página;
  4. decidir explícitamente si los escaneos pueden salir de la máquina;
  5. guardar el Markdown y los metadatos de origen para poder rastrear errores.

Ejemplo de integración

Sección titulada «Ejemplo de integración»

La idea es convertir antes de indexar:

scripts/import-document.ts
import { readFile } from "node:fs/promises"
import { toMarkdown } from "@firecrawl/anydoc"


const input = await readFile("./entrada.docx")
const markdown = await toMarkdown(input)
console.log(markdown)

Confirma la firma exacta para la versión instalada. En producción, captura errores por formato, limita el tamaño de entrada y conserva el nombre del archivo original.

Cuándo conviene

Sección titulada «Cuándo conviene»
  • importar documentación de oficina a un repositorio Markdown;
  • preparar corpus para búsqueda semántica o RAG;
  • convertir archivos en un proceso CI sin depender de una aplicación de escritorio;
  • ejecutar la conversión en navegador con WebAssembly cuando el archivo no debe salir del cliente.

Para documentos con maquetación muy visual, gráficos complejos o accesibilidad estricta, revisa la salida manualmente y conserva el original.

Límites y seguridad

Sección titulada «Límites y seguridad»
  • La calidad depende del formato y de cómo fue creado el archivo.
  • Las tablas y elementos incrustados deben verificarse; Markdown no representa todos los detalles de una hoja de cálculo.
  • OCR hospedado implica una transferencia externa; el procesamiento Rust local no hace esa llamada por sí solo.
  • El Markdown generado es contenido no confiable: sanitiza HTML y enlaces antes de mostrarlo en una aplicación.

Fuentes

Sección titulada «Fuentes»