Repolode
Enviar
datalab-to

datalab-to/marker

Convierte PDF y otros documentos a Markdown, JSON, fragmentos o HTML, con asistencia opcional de LLM para mejorar la precisión.

Alternativa open source a:Adobe AcrobatABBYY FineReader

Ver en GitHubSitio web
Estrellas
40,554
Forks
2,934
Issues abiertos
494
Último commit
hace 22 horas

¿Qué es?

Marker es una herramienta de conversión de documentos que transforma archivos PDF, imágenes, PPTX, DOCX, XLSX, HTML y EPUB en Markdown, JSON, fragmentos o HTML. Procesa tablas, formularios, ecuaciones, matemáticas en línea, enlaces, bloques de código e imágenes, y elimina del resultado los encabezados, pies de página y otros elementos residuales de las páginas.

Ofrece dos modos: uno equilibrado, que usa un modelo de visión y lenguaje para el diseño y el OCR en GPU, y otro rápido, pensado para CPU, que se basa principalmente en la capa de texto del PDF y solo recurre al modelo cuando hace falta. También hay un modo que usa únicamente la capa de texto y no llama a ningún modelo. El resultado se puede personalizar con processors y renderers, y el formato JSON de árbol de bloques permite acceder a elementos individuales mediante código.

Con la opción --use_llm, se pueden usar Gemini, Claude, endpoints compatibles con OpenAI, Azure, Vertex, OpenRouter u Ollama para mejorar el procesamiento de tablas, matemáticas y formularios. El proyecto también ofrece una CLI, una API de Python, un servidor FastAPI y una app de Streamlit.

Funciones clave

  • 01Convierte archivos PDF, imágenes, Office y EPUB a Markdown, JSON, fragmentos o HTML
  • 02Reconstruye tablas, formularios, ecuaciones y matemáticas en línea
  • 03Extrae y guarda imágenes de los documentos
  • 04Elimina encabezados, pies de página y otros elementos residuales de las páginas
  • 05Opción de usar LLM para mejorar la precisión, con prompts personalizados
  • 06Funciona en GPU, CPU o Apple MPS, e incluye un modo rápido solo para CPU

Casos de uso

  • Preparar artículos de investigación o libros de texto en PDF como Markdown para pipelines de RAG
  • Convertir formularios y tablas escaneados o digitales en datos estructurados
  • Convertir documentos por lotes en una carpeta, conservando las imágenes y la estructura JSON
  • Crear pasos de posprocesamiento personalizados mediante sus interfaces de processor y renderer

Inicio rápido

  1. 1

    Instala PyTorch desde el sitio oficial para tu plataforma

  2. 2

    Instala marker con pip (Python 3.10 o posterior)

    pip install marker-pdf
  3. 3

    Convierte un PDF a Markdown

    marker_single /path/to/file.pdf

Antes de usarlo

  • Para obtener un OCR preciso se necesita un servidor de inferencia local: Docker con NVIDIA Container Toolkit en GPU NVIDIA, o llama.cpp en CPU y Apple Silicon.
  • Los pesos del modelo usan una licencia OpenRAIL-M modificada, que no permite el uso comercial gratuito más allá de los límites para startups; el código es Apache 2.0.
  • El modo híbrido asistido por LLM requiere que configures un servicio LLM externo.

Temas

#pdf#markdown#ocr#document-conversion#llm#python#rag

Preguntas frecuentes

¿Qué es marker?
Convierte PDF y otros documentos a Markdown, JSON, fragmentos o HTML, con asistencia opcional de LLM para mejorar la precisión. Marker es una herramienta de conversión de documentos que transforma archivos PDF, imágenes, PPTX, DOCX, XLSX, HTML y EPUB en Markdown, JSON, fragmentos o HTML. Procesa tablas, formularios, ecuaciones, matemáticas en línea, enlaces, bloques de código e imágenes, y elimina del resultado los encabezados, pies de página y otros elementos residuales de las páginas.
¿marker es gratuito? ¿Qué licencia tiene?
marker es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿marker sigue mantenido?
Mantenimiento activo. El último commit de marker fue el 19 oct 2026.
¿Para qué puedo usar marker?
Preparar artículos de investigación o libros de texto en PDF como Markdown para pipelines de RAG Convertir formularios y tablas escaneados o digitales en datos estructurados Convertir documentos por lotes en una carpeta, conservando las imágenes y la estructura JSON Crear pasos de posprocesamiento personalizados mediante sus interfaces de processor y renderer
¿Cómo se instala marker?
Instala PyTorch desde el sitio oficial para tu plataforma Instala marker con pip (Python 3.10 o posterior): pip install marker-pdf Convierte un PDF a Markdown: marker_single /path/to/file.pdf
¿Dónde consigo marker?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/datalab-to/marker

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados