FileToMarkdown

Biblioteca local para convertir documentos a Markdown, buscar su contenido y consultar fragmentos con referencias a su archivo y sección de origen.

Primer uso en escritorio

Primer uso en móvil

Funciones

• Importa hasta 10 archivos por lote; cada archivo puede ocupar hasta 100 MiB. El estado de conversión se muestra por archivo y un error no detiene los demás.
• Convierte PDF, DOCX, PPTX, XLSX, HTML y CSV con Microsoft MarkItDown.
• Previsualiza, copia y descarga Markdown. El historial local permite reabrir o borrar conversiones.
• Indexa el Markdown en fragmentos de hasta 1.200 caracteres y busca nombres de archivo y contenido en SQLite, sin distinguir mayúsculas ni acentos.
• Consulta la biblioteca con respuestas extractivas: muestra el fragmento coincidente y cita el archivo y la sección. Si no encuentra evidencia, lo indica explícitamente.

La búsqueda y las consultas son locales y no necesitan claves ni conexión a un proveedor de IA. IAnswerGenerator permite añadir otro generador, pero esta versión solo registra el generador extractivo local y no envía documentos fuera del equipo.

Requisitos

• .NET SDK 10
• Python 3.12 o posterior y pip para Microsoft MarkItDown

Instalación y ejecución

Desde la raíz del repositorio, crea un entorno e instala MarkItDown con sus dependencias opcionales:

py -3.12 -m venv .venv
.\.venv\Scripts\python.exe -m pip install --upgrade pip
.\.venv\Scripts\python.exe -m pip install 'markitdown[pdf,docx,pptx,xlsx]'

Antes de iniciar la aplicación, configura el ejecutable de Python del entorno virtual. Así MarkItDown y sus dependencias quedan aislados del Python global:

$env:MarkItDown__PythonPath = (Resolve-Path .venv\Scripts\python.exe).Path
dotnet run --project src/Web/MarkItDownWeb.Web.csproj --launch-profile http

Abre http://localhost:5241. Si prefieres usar una instalación global, establece MarkItDown__PythonPath con la ruta completa a ese ejecutable antes de iniciar la app.

Uso

1. Arrastra archivos a la zona de carga o pulsa Elegir documentos. Se procesan de uno en uno; el estado o error aparece junto al nombre de cada archivo.
2. Busca por nombre o contenido desde la barra superior. La lista central muestra tipo, fecha y estado.
3. Selecciona un documento para abrir su Markdown en el panel de detalle. Desde ahí puedes copiar, descargar o borrar.
4. Usa Pregunta a la biblioteca para consultar fragmentos relacionados con sus citas. Sin coincidencias, la app informa que no encontró respaldo. En móvil, el detalle queda debajo de la lista.

Almacenamiento y privacidad

SQLite conserva los metadatos y los fragmentos indexados. Los resultados Markdown se guardan localmente en Storage/Markdown; el documento original solo existe en un archivo temporal durante la conversión y se elimina al terminar. Al borrar una conversión también se borran sus fragmentos por clave foránea y su archivo Markdown. Al iniciar, la app indexa conversiones existentes que todavía no tengan fragmentos.

Las rutas se configuran en src/Web/appsettings.json (ConnectionStrings:DefaultConnection, Storage:UploadsFolder y Storage:MarkdownFolder). La aplicación no incluye autenticación; mantenla accesible solo desde tu equipo y no la expongas a una red pública.

Arquitectura

src/
  Domain/          Conversiones y fragmentos indexados
  Application/     Conversión, división Markdown, búsqueda y respuesta extractiva
  Infrastructure/  MarkItDown, almacenamiento local y persistencia SQLite
  Web/             Interfaz y endpoints ASP.NET Core MVC
tests/             Pruebas de conversión, búsqueda, citas, validación y borrado

La tabla DocumentChunks se crea al iniciar. Esto conserva las bases SQLite existentes sin modificar su tabla de historial; los fragmentos se eliminan en cascada al borrar una conversión.

Formatos y límites verificados

La aplicación acepta .pdf, .docx, .pptx, .xlsx, .html y .csv, limita cada archivo a 100 MiB y rechaza extensiones no permitidas. También comprueba las firmas PDF/ZIP de PDF y documentos Office; HTML y CSV no tienen una comprobación de firma. MarkItDown y sus dependencias instaladas determinan qué contenido puede extraerse de cada archivo.

Las pruebas del repositorio verifican validación, indexación, búsqueda, citas, abstención y eliminación con un conversor simulado. También se comprobó manualmente la conversión e indexación de archivos PDF, DOCX, PPTX, XLSX, HTML y CSV. La extracción depende de MarkItDown; los PDF no reciben número de página de forma uniforme. La app cita los marcadores de página que existan en el Markdown y, en su ausencia, cita encabezados/secciones o Contenido. La búsqueda es léxica; no interpreta sinónimos ni genera resúmenes. No incluye OCR ni cuentas multiusuario.

Verificación

dotnet build MarkItDownWeb.slnx --configuration Release --warnaserror
dotnet test MarkItDownWeb.slnx --configuration Release

GitHub Actions ejecuta build con warnings como errores y las pruebas al abrir o actualizar un pull request y al hacer push a master.