Document to Markdown
Dale a tu agente archivos PDF y de Office como markdown
Document to Markdown es una API que devuelve archivos PDF, Word, PowerPoint y Excel en markdown, por $0.01 por documento. Envía las URLs de archivos PDF, Word, PowerPoint o Excel y recibe cada uno como markdown limpio, un ítem por documento. Para agentes y pipelines de RAG que necesitan el texto, no el archivo.
US$0.01 por documento entregado. Los documentos que fallan no se cobran.
{
"url": "https://example.com/annual-report.docx",
"type": "docx",
"title": "Annual Report",
"markdown": "# Annual Report\n\n...",
"truncated": false
}Valores acortados. type es pdf, docx, pptx o xlsx; title es el título del propio documento, o null. truncated es true cuando el markdown pasó los 500.000 caracteres y se cortó.
Casos de uso
Que un agente lea el enlace de un documento
Una sola llamada convierte la URL de un informe, un manual o una presentación en texto que el agente puede citar y usar para responder.
Alimentar un pipeline de RAG
Los archivos Word y PowerPoint conservan sus títulos, listas y tablas en markdown, y las hojas de Excel salen como tablas, listas para dividir e indexar.
Pasar un lote de archivos a texto
Envía hasta 50 URLs en una ejecución y recibe un ítem por documento; una URL repetida se lee una vez. Los documentos van de a uno, así que una ejecución de 50 grandes puede llegar a su límite de tiempo y cobra solo lo que entregó.
Entrada y salida
{
"urls": [
"https://www.rfc-editor.org/rfc/rfc9309.pdf",
"https://example.com/annual-report.docx"
]
}urls acepta de 1 a 50 URLs de archivos PDF, DOCX, PPTX o XLSX. Solo URLs públicas: no se suben archivos.
{
"url": "https://example.com/photo.png",
"error": "This URL is not a PDF, DOCX, PPTX or XLSX document. Nothing was charged for it."
}Demasiado grande, no es un documento, escaneado, dañado o bloqueado por robots.txt: el ítem dice por qué.
Precio
US$0.01 por documento
Pago por evento en Apify, sin suscripción: un evento document por documento entregado como markdown. Los documentos que fallan, son demasiado grandes, no son archivos PDF, DOCX, PPTX o XLSX, no tienen texto o están bloqueados por robots.txt no se cobran, y una ejecución nunca cobra más que el máximo que pones. Los agentes de IA pueden pagar cada ejecución por su cuenta, por solicitud, vía x402.
Límites
- De 1 a 50 URLs por ejecución; una URL repetida se lee una vez.
- Hasta 10 MB por documento, 30 s por intento de descarga (una descarga que se queda sin tiempo, no conecta o recibe un error del servidor se intenta una vez más) y 120 s para convertirlo.
- El markdown de más de 500.000 caracteres se corta, se marca
truncatedy se cobra igual. - Word y PowerPoint conservan títulos, listas y tablas, y las hojas de Excel salen como tablas; los PDF salen como texto plano, página por página, sin tablas. Sin OCR: los PDF escaneados no tienen texto y no se cobran.
- Respeta robots.txt para
FrameskimFetch, en cada documento y cada redirección.
Úsalo por API o desde Claude
curl -X POST "https://api.apify.com/v2/acts/emttn~document-markdown/run-sync-get-dataset-items" \
-H "Authorization: Bearer $APIFY_TOKEN" \
-H "Content-Type: application/json" \
-d '{"urls": ["https://www.rfc-editor.org/rfc/rfc9309.pdf"]}'{ "mcpServers": { "apify": {
"url": "https://mcp.apify.com/?actors=emttn/document-markdown"
} } }Después pide: "Lee https://www.rfc-editor.org/rfc/rfc9309.pdf y resúmelo."
Preguntas frecuentes
¿Qué se cobra y qué no?
Un evento document por documento entregado como markdown. Un documento que falla, pesa más de 10 MB, no es un archivo PDF, DOCX, PPTX o XLSX, no tiene texto o está bloqueado por robots.txt no se cobra. Lo entregado sigue cobrado si la ejecución después se detiene o falla, y la ejecución nunca cobra más que el máximo que pones.
¿Qué archivos sirven y qué sale de cada uno?
Archivos PDF, Word (DOCX), PowerPoint (PPTX) y Excel (XLSX), reconocidos por su tipo de contenido o, si el servidor no lo dice, por su extensión. Los archivos Word y PowerPoint conservan títulos, listas y tablas en markdown, y las hojas de Excel salen como tablas. Los PDF salen como texto plano, página por página, sin tablas; el título de un PDF es el de sus metadatos, o null.
¿Qué pasa con documentos grandes, lentos o escaneados?
Cada documento puede pesar hasta 10 MB, con 30 s por intento de descarga y 120 s para convertirlo. Una descarga que se queda sin tiempo, no conecta o recibe un error del servidor se intenta una vez más con una conexión nueva; si también falla, o el documento pasa cualquiera de estos topes, falla y no se cobra, y una descarga parcial nunca se convierte. No hay OCR, así que los PDF escaneados no tienen texto y no se cobran. Los documentos van de a uno, así que una ejecución de 50 documentos grandes puede llegar a su límite de tiempo: los documentos hechos hasta ese momento se entregan y se cobran, y el mensaje de la ejecución dice por qué se detuvo.
¿Cómo se leen los documentos?
Solo URLs públicas, descargadas por HTTP con el agente de usuario FrameskimFetch; no se suben archivos. Se respeta robots.txt para FrameskimFetch y para *, en cada documento y cada redirección.
¿Cómo puede un sitio dejar sus documentos afuera?
Prohíbe FrameskimFetch en tu robots.txt. Cada ejecución lee el robots.txt de un host una vez, así que una ejecución ya en curso puede no ver el cambio; las que empiezan después leen el archivo nuevo. Los titulares de derechos y las personas cuyos datos personales aparecen en un documento también pueden escribir a [email protected] sobre un documento que este actor leyó; cada solicitud recibe una respuesta que dice qué se puede hacer. Ni una regla de robots.txt ni una solicitud quitan documentos de los datasets que los usuarios ya tienen.