Utilitário Python que converte PDFs, documentos do Office, HTML, imagens, áudio e outros formatos em Markdown para pipelines de LLM e análise de texto.
191,2 mil14,2 milPythonMITAtualizado há 16 dias
datalab-to/marker
Converte PDFs e outros documentos para Markdown, JSON, chunks ou HTML, com assistência opcional de LLM para maior precisão.
Alternativa open source a:Adobe Acrobat
ABBYY FineReader
- Estrelas
- 40,554
- Forks
- 2,934
- Issues abertas
- 494
- Último commit
- há 22 horas
O que é?
Marker é uma ferramenta de conversão de documentos que transforma arquivos PDF, imagens, PPTX, DOCX, XLSX, HTML e EPUB em Markdown, JSON, chunks ou HTML. Ela processa tabelas, formulários, equações, matemática inline, links, blocos de código e imagens, além de remover cabeçalhos, rodapés e outros artefatos de página da saída.
A ferramenta oferece dois modos: um modo equilibrado, que usa um modelo de visão e linguagem para layout e OCR em GPUs, e um modo rápido voltado para CPUs, que se baseia principalmente na camada de texto do PDF e só aciona o modelo quando necessário. Também há um modo que usa apenas a camada de texto, sem chamadas a modelos. A saída pode ser personalizada com processors e renderers, e o formato JSON em árvore de blocos permite acessar elementos individuais por código.
Com a flag --use_llm, é possível usar Gemini, Claude, endpoints compatíveis com OpenAI, Azure, Vertex, OpenRouter ou Ollama para melhorar tabelas, matemática e formulários. O projeto também oferece uma CLI, uma API Python, um servidor FastAPI e um app Streamlit.
Recursos principais
- 01Converte arquivos PDF, imagens, Office e EPUB para Markdown, JSON, chunks ou HTML
- 02Reconstrói tabelas, formulários, equações e matemática inline
- 03Extrai e salva imagens dos documentos
- 04Remove cabeçalhos, rodapés e outros artefatos de página
- 05Etapa opcional com LLM para maior precisão, com prompts personalizados
- 06Funciona em GPU, CPU ou Apple MPS, com um modo rápido exclusivo para CPU
Casos de uso
- Preparar artigos de pesquisa ou livros didáticos em PDF como Markdown para pipelines de RAG
- Converter formulários e tabelas digitalizados ou digitais em dados estruturados
- Converter documentos em lote, mantendo imagens e a estrutura JSON
- Criar etapas personalizadas de pós-processamento com as interfaces de processor e renderer
Início rápido
- 1
Instale o PyTorch pelo site oficial para sua plataforma
- 2
Instale o marker com pip (Python 3.10 ou superior)
pip install marker-pdf - 3
Converta um PDF para Markdown
marker_single /path/to/file.pdf
Antes de usar
- Para obter um OCR preciso, é necessário um servidor de inferência local: Docker com NVIDIA Container Toolkit em GPUs NVIDIA, ou llama.cpp em CPU e Apple Silicon.
- Os pesos do modelo usam uma licença OpenRAIL-M modificada, que não permite uso comercial gratuito além dos limites para startups; o código é Apache 2.0.
- O modo híbrido com assistência de LLM requer que você configure um serviço externo de LLM.
Tópicos
Perguntas frequentes
- O que é marker?
- Converte PDFs e outros documentos para Markdown, JSON, chunks ou HTML, com assistência opcional de LLM para maior precisão. Marker é uma ferramenta de conversão de documentos que transforma arquivos PDF, imagens, PPTX, DOCX, XLSX, HTML e EPUB em Markdown, JSON, chunks ou HTML. Ela processa tabelas, formulários, equações, matemática inline, links, blocos de código e imagens, além de remover cabeçalhos, rodapés e outros artefatos de página da saída.
- marker é gratuito? Qual é a licença?
- marker é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- marker ainda é mantido?
- Manutenção ativa. O último commit de marker foi em 19 de out. de 2026.
- Para que posso usar marker?
- Preparar artigos de pesquisa ou livros didáticos em PDF como Markdown para pipelines de RAG Converter formulários e tabelas digitalizados ou digitais em dados estruturados Converter documentos em lote, mantendo imagens e a estrutura JSON Criar etapas personalizadas de pós-processamento com as interfaces de processor e renderer
- Como instalar marker?
- Instale o PyTorch pelo site oficial para sua plataforma Instale o marker com pip (Python 3.10 ou superior): pip install marker-pdf Converta um PDF para Markdown: marker_single /path/to/file.pdf
- Onde consigo marker?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/datalab-to/marker
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Parser de documentos open source que converte PDFs, arquivos do Office e imagens em Markdown ou JSON para fluxos de trabalho com LLMs e agentes.
82,1 mil6,8 milPythonOtherAtualizado ontem
Parser de documentos open source que converte PDFs, arquivos do Office, HTML e outros formatos em dados estruturados para pipelines de IA generativa.
69,1 mil5,1 milPythonMITAtualizado há 21 horas
Parser de PDF open source que converte PDFs em Markdown, JSON com caixas delimitadoras e HTML para pipelines de IA, além de adicionar tags automaticamente a PDFs sem tags.
29,8 mil2,8 milJavaApache-2.0Atualizado há 7 horas
Biblioteca Rust e CLI que convertem arquivos Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV e PDF em Markdown compatível com GitHub, sem formatação desnecessária.
23 mil1,5 milRustMITAtualizado anteontem
Biblioteca Python de alto desempenho para extrair, analisar, converter, renderizar e editar PDFs e outros formatos de documento, baseada no mecanismo MuPDF.
10,9 mil813PythonAGPL-3.0Atualizado há 3 horas