Document to Markdown
Dê ao seu agente arquivos PDF e do Office como markdown
Document to Markdown é uma API que devolve arquivos PDF, Word, PowerPoint e Excel em markdown, por $0.01 por documento. Envie as URLs de arquivos PDF, Word, PowerPoint ou Excel e receba cada um como markdown limpo, um item por documento. Para agentes e pipelines de RAG que precisam do texto, não do arquivo.
US$0.01 por documento entregue. Documentos que falham não são cobrados.
{
"url": "https://example.com/annual-report.docx",
"type": "docx",
"title": "Annual Report",
"markdown": "# Annual Report\n\n...",
"truncated": false
}Valores encurtados. type é pdf, docx, pptx ou xlsx; title é o título do próprio documento, ou null. truncated é true quando o markdown passou de 500.000 caracteres e foi cortado.
Casos de uso
Deixar um agente ler o link de um documento
Uma só chamada transforma a URL de um relatório, um manual ou uma apresentação em texto que o agente pode citar e usar para responder.
Alimentar um pipeline de RAG
Arquivos Word e PowerPoint mantêm títulos, listas e tabelas em markdown, e as planilhas do Excel viram tabelas, prontas para dividir e indexar.
Passar um lote de arquivos para texto
Envie até 50 URLs em uma execução e receba um item por documento; uma URL repetida é lida uma vez. Os documentos rodam um de cada vez, então uma execução com 50 grandes pode chegar ao limite de tempo e cobra só o que entregou.
Entrada e saída
{
"urls": [
"https://www.rfc-editor.org/rfc/rfc9309.pdf",
"https://example.com/annual-report.docx"
]
}urls aceita de 1 a 50 URLs de arquivos PDF, DOCX, PPTX ou XLSX. Só URLs públicas: não há upload de arquivos.
{
"url": "https://example.com/photo.png",
"error": "This URL is not a PDF, DOCX, PPTX or XLSX document. Nothing was charged for it."
}Grande demais, não é um documento, digitalizado, danificado ou bloqueado pelo robots.txt: o item diz por quê.
Preço
US$0.01 por documento
Pagamento por evento na Apify, sem assinatura: um evento document por documento entregue como markdown. Documentos que falham, são grandes demais, não são arquivos PDF, DOCX, PPTX ou XLSX, não têm texto ou estão bloqueados pelo robots.txt não são cobrados, e uma execução nunca cobra mais que o máximo que você define. Agentes de IA podem pagar cada execução por conta própria, por requisição, via x402.
Limites
- De 1 a 50 URLs por execução; uma URL repetida é lida uma vez.
- Até 10 MB por documento, 30 s por tentativa de download (um download que fica sem tempo, não conecta ou recebe um erro do servidor é tentado mais uma vez) e 120 s para convertê-lo.
- O markdown com mais de 500.000 caracteres é cortado, marcado como
truncatede cobrado mesmo assim. - Word e PowerPoint mantêm títulos, listas e tabelas, e as planilhas do Excel viram tabelas; PDFs saem como texto simples, página por página, sem tabelas. Sem OCR: PDFs digitalizados não têm texto e não são cobrados.
- Respeita o robots.txt para
FrameskimFetch, em cada documento e cada redirecionamento.
Use por API ou pelo 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"
} } }Depois peça: "Leia https://www.rfc-editor.org/rfc/rfc9309.pdf e resuma."
Dúvidas frequentes
O que é cobrado e o que não é?
Um evento document por documento entregue como markdown. Um documento que falha, tem mais de 10 MB, não é um arquivo PDF, DOCX, PPTX ou XLSX, não tem texto ou está bloqueado pelo robots.txt não é cobrado. O que foi entregue continua cobrado se a execução depois parar ou falhar, e a execução nunca cobra mais que o máximo que você define.
Quais arquivos funcionam e o que sai de cada um?
Arquivos PDF, Word (DOCX), PowerPoint (PPTX) e Excel (XLSX), reconhecidos pelo tipo de conteúdo ou, quando o servidor não diz, pela extensão. Arquivos Word e PowerPoint mantêm títulos, listas e tabelas em markdown, e as planilhas do Excel viram tabelas. PDFs saem como texto simples, página por página, sem tabelas; o título de um PDF é o dos seus metadados, ou null.
E documentos grandes, lentos ou digitalizados?
Cada documento pode ter até 10 MB, com 30 s por tentativa de download e 120 s para convertê-lo. Um download que fica sem tempo, não conecta ou recebe um erro do servidor é tentado mais uma vez com uma conexão nova; se também falhar, ou se o documento passar de qualquer um desses limites, falha e não é cobrado, e um download parcial nunca é convertido. Não há OCR, então PDFs digitalizados não têm texto e não são cobrados. Os documentos rodam um de cada vez, então uma execução com 50 documentos grandes pode chegar ao limite de tempo: os documentos prontos até ali são entregues e cobrados, e a mensagem da execução diz por que ela parou.
Como os documentos são lidos?
Só URLs públicas, baixadas por HTTP com o agente de usuário FrameskimFetch; não há upload de arquivos. O robots.txt é respeitado para FrameskimFetch e para *, em cada documento e cada redirecionamento.
Como um site pode deixar seus documentos de fora?
Proíba o FrameskimFetch no seu robots.txt. Cada execução lê o robots.txt de um host uma vez, então uma execução já em andamento pode não ver a mudança; as que começam depois leem o arquivo novo. Titulares de direitos e pessoas cujos dados pessoais aparecem em um documento também podem escrever para [email protected] sobre um documento que este actor leu; cada solicitação recebe uma resposta que diz o que pode ser feito. Nem uma regra de robots.txt nem uma solicitação removem documentos de datasets que os usuários já têm.