Skip to content
Office Oxide

Convertir documentos Office a Markdown

Cada handle de Office Oxide incluye el método to_markdown(), que genera Markdown estilo GitHub — títulos, tablas, listas y bloques tipo código — desde cualquiera de los seis formatos soportados. Es el punto de entrada que la mayoría de los pipelines de LLM y RAG debería usar.

Llamada única

Rust

use office_oxide::to_markdown;

let md = to_markdown("report.docx")?;
std::fs::write("report.md", md)?;

Python

import office_oxide

md = office_oxide.to_markdown("report.docx")
open("report.md", "w").write(md)

JavaScript

import { toMarkdown } from 'office-oxide';
import { writeFileSync } from 'node:fs';

writeFileSync('report.md', toMarkdown('report.docx'));

Go

md, err := officeoxide.ToMarkdown("report.docx")
os.WriteFile("report.md", []byte(md), 0o644)

C#

File.WriteAllText("report.md", OfficeOxide.ToMarkdown("report.docx"));

C

int err = 0;
char *md = office_to_markdown("report.docx", &err);   /* open + render in one call */
if (md) {
    FILE *f = fopen("report.md", "w");
    fputs(md, f);
    fclose(f);
    office_oxide_free_string(md);
}

Handle reutilizable

Rust

let doc = office_oxide::Document::open("deck.pptx")?;
let md = doc.to_markdown();

Python

from office_oxide import Document

with Document.open("deck.pptx") as doc:
    md = doc.to_markdown()

JavaScript

using doc = Document.open('deck.pptx');
const md = doc.toMarkdown();

C

int err = 0;
OfficeDocumentHandle *doc = office_document_open("deck.pptx", &err);
if (doc) {
    char *md = office_document_to_markdown(doc, &err);
    if (md) { /* use md */ office_oxide_free_string(md); }
    office_document_free(doc);
}

WASM

import { WasmDocument } from 'office-oxide-wasm';

// WASM has no file I/O — read the bytes yourself, then open from bytes
const data = new Uint8Array(await (await fetch('/deck.pptx')).arrayBuffer());
using doc = new WasmDocument(data, 'pptx');
const md = doc.toMarkdown();

Qué se genera

Elemento origen Markdown
Título DOCX (<w:pStyle w:val="Heading1"/> …) # Heading (nivel según el estilo)
Párrafo DOCX Un párrafo, guiones suaves eliminados
Ítem de lista DOCX - item o 1. item (numeración preservada)
Tabla DOCX Tabla en pipes GFM
Hoja XLSX ## Sheet name + tabla en pipes por rango
Celdas combinadas XLSX Contenido de la primera celda, span descartado
Diapositiva PPTX ## Slide N + cuerpo, notas añadidas como blockquote
Tabla PPTX Tabla en pipes GFM dentro de la diapositiva
Hyperlinks [text](url)
Imágenes placeholder ![alt](filename) — ver “Imágenes” abajo

Imágenes

to_markdown() emite placeholders con el nombre del archivo (p. ej. ![](image1.png)), pero no extrae los bytes de la imagen — Markdown es un formato de texto. Para obtener las imágenes, usa el IR o el acceso por formato:

from office_oxide import Document

with Document.open("report.docx") as doc:
    ir = doc.to_ir()
    for section in ir["sections"]:
        for el in section["elements"]:
            if el["kind"] == "Image":
                print(el["filename"], len(el["data"]))

Esquema completo en Extracción IR.

Casos de uso

  • Ingesta para RAG — Markdown es el formato de entrada más amigable para LLMs. Una sola pasada por documento, estructura determinista, sin ruido HTML.
  • Indexación de documentos — los títulos marcan fronteras naturales de chunk; las tablas siguen siendo consultables.
  • Migraciones — DOCX → Markdown para generadores de sitio estático (Hugo, Astro, MkDocs).
  • Diff de contenido — los diffs en Markdown son mucho más legibles que los diffs binarios de .docx.

Rendimiento

to_markdown() corre en el mismo orden de magnitud que plain_text() — normalmente 1–2× el coste en el documento mediano. Cifras completas en Rendimiento.

Véase también