Convertir documentos a Markdown

Qué formatos entran

Los formatos binarios antiguos —el .doc de Word 97, el .ppt de PowerPoint y el .xlsb de Excel— no están, y es a propósito: no existe una biblioteca libre que los lea con garantías, y preferimos no ofrecerte un formato para que el archivo falle después de subirlo. La solución es de un minuto: abre el documento en Word, PowerPoint o Excel y guárdalo como .docx, .pptx o .xlsx.

Qué se conserva

La conversión no se limita a sacar el texto. De cada documento se recupera su estructura:

• Títulos, con su nivel. En Word y en OpenDocument se leen del ESTILO aplicado al párrafo, no del tamaño de la letra. Es una diferencia importante: un documento maquetado a base de negritas grandes no tiene títulos de verdad, y aquí tampoco los tendrá. Si quieres títulos, aplícalos con los estilos «Título 1», «Título 2»…
• Listas con viñetas y numeradas, incluidos los niveles anidados.
• Tablas, en formato de tabla de Markdown. Una celda con varios párrafos se junta en una línea, porque una tabla de Markdown no admite más.
• Negrita, cursiva y tachado, y los enlaces con su dirección.
• Imágenes, que salen a una carpeta aparte y quedan enlazadas desde el texto.
• Notas al pie de Word, al final del documento y con su llamada numerada.

Cómo llega el resultado

Si el documento no tenía imágenes, la descarga es un único archivo .md. Si las tenía, viene un ZIP con el .md y una carpeta imagenes al lado. Es importante mantenerlos juntos: el Markdown enlaza cada imagen por esa ruta relativa, así que si separas los archivos las imágenes dejan de verse.

Antes de descargar nada puedes pulsar «Vista previa» y ver el Markdown tal cual, sin formato, que es exactamente lo que va a contener el archivo.

Los dos casos que conviene entender

El PDF es una reconstrucción. Un PDF no guarda párrafos: guarda letras con coordenadas. Aquí se agrupan las palabras en renglones, los renglones en párrafos según el hueco vertical, y se toma por título el renglón corto en letra notablemente más grande. Acierta casi siempre y falla en maquetaciones a varias columnas o muy artísticas. Por eso el resultado siempre viene con un aviso. Y no hace OCR: de un PDF escaneado, que es una imagen, no hay texto que sacar.

Una planilla se convierte en tabla. Un Excel o un CSV salen como una tabla de Markdown por hoja, con el nombre de cada hoja como título cuando hay más de una. Los números y las fechas se escriben como los ves en pantalla, con tu configuración regional.

Opciones

• La primera fila son los títulos: sólo afecta a planillas y CSV. Marcado, la primera fila encabeza la tabla; desmarcado, se numeran las columnas como A, B, C… y todas las filas son datos.
• Extraer las imágenes: desmárcalo si sólo quieres el texto. La descarga pasa a ser un único .md y se te avisa de que el documento traía imágenes.
• Incluir las notas del ponente: sólo afecta a presentaciones. Las notas salen como cita, debajo de cada diapositiva, para que no se confundan con lo que se proyectó.
• Separación entre páginas del PDF: un encabezado «Página N» ayuda a orientarse en un PDF largo; una línea horizontal molesta menos; sin separación, el texto fluye de una página a la siguiente como en un documento escrito.