La respuesta corta
- Para sacar las palabras, pdftomd y PyMuPDF4LLM están igualados. Los dos conservaron de media el 99% del texto en los 15 documentos puntuados. PyMuPDF4LLM mantuvo el orden de lectura algo mejor en los artículos científicos y en las tablas densas.
- pdftomd es el que deja menos limpieza por hacer. Quitó los encabezados, pies y números de página con mucha más regularidad, y no dejó ninguna palabra partida por un guion de fin de línea. Además es el único de los tres que funciona sin instalar nada, y su archivo no sale de su dispositivo.
- MarkItDown está pensado para muchos formatos, y el PDF no es su punto fuerte. Con PDF devuelve texto plano sin títulos, conserva los saltos de línea y los guiones del PDF, y perdió buena parte del texto de los artículos científicos de nuestra muestra. En nuestra prueba no tenía OCR para PDF, así que los escaneos salieron vacíos.
- Con los escaneos, tanto pdftomd como PyMuPDF4LLM leyeron casi a la perfección nuestro estado financiero escaneado, tablas incluidas, siempre que PyMuPDF tenga un motor de OCR instalado.
Si programa en Python y la licencia AGPL encaja con su proyecto, PyMuPDF4LLM es una biblioteca excelente. Si quiere el resultado ya, en el navegador y sin subir el archivo, use el conversor de nuestra página de inicio.
Resultados
| Documento | pdftomd | PyMuPDF4LLMPyMuPDF 2.1 + RapidOCR 3.10 | MarkItDown0.1.9 |
|---|---|---|---|
| Sentencia del Tribunal Supremo de EE. UU.12 páginas | 9940% | 10.000% | 10.000% |
| Marco de IA del NIST14 páginas | 9980% | 9970% | 6240% |
| Artículo científico, una columna15 páginas | 9790% | 9810% | 2290% |
| Artículo científico, dos columnas12 páginas | 9930% | 9920% | 5060% |
| Artículo con fórmulas15 páginas | 9160% | 9330% | 4550% |
| Estados financieros4 páginas | 10.000% | 9820% | 10.000% |
| Tablas fiscales del IRS8 páginas | 9980% | 9810% | 9840% |
| Formulario W-9 del IRS6 páginas | 9980% | 9940% | 9990% |
| Tabla de proyecciones de la Reserva Federal5 páginas | 9970% | 9950% | 9050% |
| Tabla financiera escaneada2 páginas | 9930% | 9960% | 0% |
| Texto en chino7 páginas | 10.000% | 10.000% | 10.000% |
| Informe en japonés10 páginas | 10.000% | 10.000% | 10.000% |
| Texto en coreano7 páginas | 10.000% | 10.000% | 10.000% |
| Ficha de producto con imágenes7 páginas | 9990% | 10.000% | 10.000% |
| Diapositivas de clase12 páginas | 9850% | 9950% | 10.000% |
| Media | 9900% | 9897% | 7801% |
El escaneo mecanografiado de 1969 no aparece en la tabla: su único texto de referencia es el OCR del propio escáner, demasiado pobre para puntuar con él. pdftomd y PyMuPDF4LLM produjeron texto legible a partir de él, PyMuPDF4LLM con menos signos de puntuación sueltos; MarkItDown no produjo nada.
Qué probamos
| Conversor | Versión | Cómo lo ejecutamos |
|---|---|---|
| pdftomd | este sitio, 2026-11-13 | Ajustes predeterminados en Chromium, los 16 archivos soltados a la vez, Descargar todo |
| PyMuPDF4LLM | PyMuPDF 2.1 con RapidOCR 3.10 | pymupdf4llm.to_markdown(path) |
| MarkItDown | 0.1.9 | MarkItDown().convert(path).markdown |
Los documentos son públicos y se eligieron para cubrir lo que la gente convierte de verdad:
| Documento | Páginas | Qué lo hace difícil |
|---|---|---|
| Sentencia del Tribunal Supremo de EE. UU. | 12 | Notas al pie, encabezados repetidos |
| Marco de gestión de riesgos de IA del NIST | 14 | Portadas, títulos, enlaces |
| Artículo científico, una columna | 15 | Títulos, referencias, algunas fórmulas |
| Artículo científico, dos columnas | 12 | Orden de lectura entre columnas |
| Artículo con fórmulas | 15 | Matemáticas densas |
| Estados financieros trimestrales de Apple | 4 | Tablas financieras con filetes |
| Extracto de la Publicación 15-T del IRS | 8 | Tablas fiscales largas, índice |
| Formulario W-9 del IRS | 6 | Diseño de formulario, letra pequeña |
| Tabla de proyecciones de la Reserva Federal | 5 | Una tabla ancha con encabezados en varios niveles |
| Informe de la misión Apollo 11, escaneo mecanografiado | 4 | Un escaneo de 1969, sin capa de texto |
| Estados de Apple, escaneados | 2 | Una tabla sin capa de texto |
| Declaración Universal de Derechos Humanos, chino | 7 | Texto CJK |
| Extracto del Outlook Report del Banco de Japón | 10 | Japonés, gráficos |
| Declaración Universal de Derechos Humanos, coreano | 7 | Texto en hangul |
| Ficha de producto de Raspberry Pi 5 | 7 | Imágenes, texto sobre fotos |
| Diapositivas del curso CS231n de Stanford | 12 | Diapositivas, muchas imágenes pequeñas |
Cómo se calculan las puntuaciones
Cada resultado se compara con el texto que pdftotext, de poppler, extrae del mismo PDF.
- Palabras encontradas es la proporción de palabras de la referencia que aparecen en el Markdown. Antes se quitan de la referencia los encabezados, pies y números de página, para no penalizar al conversor que los elimina, como hace pdftomd por defecto. El chino, el japonés y el coreano se cuentan por carácter.
- Orden de lectura es la subsecuencia común más larga de palabras entre referencia y resultado, como proporción de la referencia. Baja cuando las columnas se entremezclan o las celdas de una tabla se leen en mal orden. Diferencias de uno o dos puntos son ruido.
- Palabras partidas cuenta los guiones de fin de línea que quedaron sin unir, como
pur- suant. - Encabezados sobrantes cuenta las líneas que se repiten cuatro o más veces en el resultado, que casi siempre son un encabezado o pie de página sin quitar. No se cuentan las líneas de marcador de imagen.
Para las tablas, comprobamos contra el PDF las 35 filas del estado de Apple: una fila cuenta cuando su etiqueta y cada valor quedan en su propia celda, en orden. pdftomd acertó 30 filas exactas, PyMuPDF4LLM 28 y MarkItDown 5. En la copia escaneada del mismo estado, pdftomd acertó 29 de 30 filas y PyMuPDF4LLM las 30.
Velocidad
En la misma máquina de 4 núcleos, pdftomd convirtió los 16 PDF en 21 segundos en el navegador, incluido el OCR de 9 páginas escaneadas. PyMuPDF4LLM tardó 64 segundos, también con OCR, y MarkItDown 11 segundos sin él. Sus tiempos dependerán de su equipo; un móvil es más lento que un portátil.
Lo que esta prueba no le dice
- Uno de los conversores es nuestro. Nuestra limpieza se desarrolló pensando en documentos como estos, lo que nos favorece. Publicamos los scripts e indicamos las filas en las que perdemos, pero pruebe con sus propios PDF antes de decidir.
- Las puntuaciones automáticas no lo ven todo. Una tabla con una columna desplazada puede conservar todas sus palabras; un título en el nivel equivocado no resta nada aquí. Por eso pdftomd le señala las páginas con tablas para que las revise.
- Docling y Marker no están en esta ronda. Los dos necesitan PyTorch y descargar modelos, y Marker además arranca un servidor de inferencia aparte. Ambos usan modelos de maquetación y se recomiendan a menudo para diseños complejos y fórmulas; vea PDF a Markdown con Python para saber cómo ejecutarlos.
- Los conversores en línea no están en la tabla. Sus motores cambian sin aviso y no se pueden fijar a una versión, así que una puntuación quedaría desfasada al día siguiente de medirla.
¿Qué conversor le conviene?
| Si quiere | Use |
|---|---|
| Un resultado ya, en el navegador, sin subir nada | pdftomd |
| Una biblioteca de Python en un pipeline, y la AGPL encaja con su proyecto | PyMuPDF4LLM |
| Una sola biblioteca para Word, PowerPoint, Excel y HTML además de PDF | MarkItDown, sabiendo que los PDF salen como texto plano |
| El mejor resultado en artículos llenos de fórmulas, con GPU | Marker o Docling |
Reprodúzcalo
Descargue el kit de la prueba: el ejecutor para el navegador, el ejecutor en Python para las bibliotecas, el puntuador, el script que generó la tabla de arriba y las puntuaciones en bruto. Los PDF proceden de las fuentes públicas citadas en la tabla; sus direcciones exactas y rangos de páginas están en el README del kit (en inglés).
PyMuPDF4LLM lo desarrolla Artifex y MarkItDown, Microsoft. pdftomd no tiene relación con ninguno de los dos.