doc-to-markdown
Skill6 starsChanged 2 days agoMITView on GitHub
Converter PDF, DOCX, XLSX, PPTX, ODT, RTF e HTML locais em Markdown na própria máquina — pandoc, pdftotext, openpyxl — para o agente ler pelo caminho sem gastar tokens com binário. Nada sai da máquina; PDF escaneado vira pendência de OCR local. Use ao receber extrato, nota, contrato, minuta, planilha ou deck de cliente.
- Reads credentials
- Installs packages
8 other projects use a version of this.
Adopted by
Most recently taken up by
- mikel-code/claude-skillstheir own version, first seen Nov 16, 2026
- AllanSantos-DV/skill-kittheir own version, first seen Oct 15, 2026
- TbusOS/sky-skillstheir own version, first seen Oct 11, 2026
- bnwe/claude-skillstheir own version, first seen Oct 11, 2026
- Sorinpsc/claude-skillstheir own version, first seen Aug 18, 2026
- Nico0713520/dsh-doc-to-markdowntheir own version, first seen Aug 17, 2026
Other versions8 projects use a version of this.
Word for word · 0
None found.
Edited · 0
None found.
Wrote their own version · 8
- sheepmao/doc-to-markdown-skill★ 9same name
- TbusOS/sky-skills★ 3same name
- seonggukchoi/skills★ 1same name
- AllanSantos-DV/skill-kit★ 0same name
- bnwe/claude-skills★ 0same name
- mikel-code/claude-skills★ 0same name
- Nico0713520/dsh-doc-to-markdown★ 0same name
- Sorinpsc/claude-skills★ 0same name
How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.
In this repository134 other files it gives its agents.
- CLAUDE.mdCLAUDE.md
- accessibilitySkill
- ai-ml-data-scienceSkill
- ai-ml-timeseriesSkill
- brand-platformSkill
- brand-researchSkill
- brand-rolloutSkill
- brand-trackingSkill
- brand-verbal-identitySkill
- brand-visual-systemSkill
- copy-humanizeSkill
- core-web-vitalsSkill
- data-analytics-engineeringSkill
- data-lake-platformSkill
- data-sql-optimizationSkill
- data-supabase-patternsSkill
- deep-researchSkill
- dev-api-designSkill
- dev-database-patternsSkill
- dev-debuggingSkill
- dev-defuddleSkill
- dev-error-handlingSkill
- dev-git-workflowSkill
- dev-security-patternsSkill
- dev-technical-writingSkill
- dev-testing-strategySkill
- dev-typescript-patternsSkill
- finance-bookkeepingSkill
- finance-cash-flowSkill
- finance-receivables-payablesSkill
- finance-reportingSkill
- finance-tax-complianceSkill
- instagram-dm-flowsSkill
- instagram-publishingSkill
- instagram-strategySkill
- legal-clause-librarySkill
- legal-compliance-lgpdSkill
- legal-contract-draftingSkill
- legal-contract-lifecycleSkill
- legal-researchSkill
- linkedin-publishingSkill
- linkedin-strategySkill
- negotiationSkill
- nextjs-react-best-practicesSkill
- presentation-designSkill
- pricingSkill
- robotics-bringup-testingSkill
- robotics-component-researchSkill
- robotics-electrical-safetySkill
- robotics-firmware-patternsSkill
- robotics-iot-connectivitySkill
- robotics-mechanical-buildSkill
- robotics-motion-controlSkill
- robotics-power-batterySkill
- robotics-project-planningSkill
- robotics-ros2-autonomySkill
- sala-de-controleSkill
- sales-deck-productionSkill
- sales-discovery-intakeSkill
- sales-enablementSkill
- The first 60 shown.
The file
Files
Documento → Markdown (local)
Agente não lê binário bem e paga caro por isso. Esta skill transforma o documento em um .md na mesma máquina, com tabelas preservadas e cabeçalho de origem, e o agente passa a trabalhar com o caminho do .md — nunca com o conteúdo colado no prompt.
Regra zero — o documento não sai da máquina
Contrato, extrato, nota fiscal, holerite, documento com CPF/CNPJ: nenhuma conversão usa serviço externo.
- PROIBIDO
--ocr hosted, API de "parse" na nuvem, upload para conversor online, MCP que envie o arquivo. - PROIBIDO baixar ferramenta nova sem o usuário pedir. Use o que já está instalado (
command -v). - Se nenhuma ferramenta local resolve: pare e peça ao usuário (exportar CSV, instalar a ferramenta, mandar versão com texto). Pendência declarada vale mais que conversão vazada.
Ordem de ferramentas
Verifique antes: command -v pandoc pdftotext pdfinfo xlsx2csv ocrmypdf tesseract.
| Entrada | 1ª escolha | Alternativa | Se nada servir |
| PDF pequeno (≤ ~10 páginas, só para ler) | Read nativo do Claude Code | pdftotext -layout | — |
| PDF de texto (maior, ou para guardar) | pdftotext -layout (poppler) | Read nativo em faixas de páginas | pedir brew install poppler |
| PDF escaneado (sem camada de texto) | ocrmypdf / tesseract locais, se instalados | — | [DOC PENDENTE — precisa de OCR local] |
| DOCX, ODT, RTF, HTML, EPUB | pandoc -t gfm | — | pedir ao usuário salvar como PDF de texto |
| PPTX | pandoc -f pptx (pandoc recente) | Read nativo do PDF exportado | pedir export em PDF |
| XLSX | pandoc -f xlsx só se pandoc --list-input-formats listar xlsx | xlsx2csv, ou python3 com openpyxl se já instalado | pedir ao usuário exportar CSV |
| CSV / TSV | pandoc -f csv (vira tabela) | ler direto | — |
@firecrawl/anydoc (opcional) | ver seção própria | — | — |
Observações:
python3puro (stdlib) não lê xlsx de forma confiável — não improvise parser de XML.- pandoc antigo não lê
xlsxnempptx; confira a lista de formatos antes de prometer. .doc,.xlse.ppt(formatos binários antigos): peça ao usuário salvar como.docx/.xlsx/.pdf.
Script — convert.sh
Detecta a extensão, escolhe a ferramenta disponível, grava o .md e imprime só metadados (nunca o conteúdo):
bash "${CLAUDE_PROJECT_DIR:-$(git rev-parse --show-toplevel 2>/dev/null || pwd)}/.claude/skills/doc-to-markdown/scripts/convert.sh" "<arquivo>" ["<saida.md>"]Saída, uma chave por linha:
| Chave | Significado |
OUT= | caminho do .md gerado (padrão: <arquivo>.md, ao lado do original) |
TOOL= | ferramenta usada (pdftotext -layout, pandoc -f docx -t gfm, python3+openpyxl…) |
PAGES= | páginas do PDF (via pdfinfo) |
PENDING=ocr | PDF sem texto — precisa de OCR local |
PENDING=csv | planilha sem leitor local — pedir CSV |
OCR_LOCAL= | ocrmypdf ou tesseract encontrado — oferecer ao usuário |
Código de saída: 0 gerou o .md (mesmo com pendência), 1 a ferramenta falhou, 2 arquivo inexistente ou extensão não suportada. O script não acessa rede.
Onde salvar
- Padrão: ao lado do original —
extrato-2026-09.pdf→extrato-2026-09.pdf.md. - Pasta do original é só leitura, compartilhada ou do cliente: salve na pasta de trabalho da sua área (ex.:
docs/smart-memory/agents/finance/<área>/fontes/) passando o 2º argumento. - Nunca dentro de
_archive/, nunca em pasta versionada pública se o documento tem dado pessoal.
Cabeçalho obrigatório do .md
Todo .md convertido começa com um comentário que diz de onde veio:
<!-- doc-to-markdown
origem: contratos/fornecedor-x.pdf
ferramenta: pdftotext -layout
data: 2026-10-20 14:32
páginas: 12
aviso: Extraído de PDF com layout: conferir números e tabelas contra o original.
-->- O
avisoé obrigatório em todo PDF:pdftotext -layoutalinha colunas por espaço e pode quebrar tabela, juntar colunas ou trocar vírgula decimal de lugar. - Converteu manualmente (Read nativo, outra ferramenta)? Escreva o mesmo cabeçalho à mão.
Passo a passo
- Confirme o arquivo e o objetivo: só ler uma cláusula? Read nativo pode bastar. Extrair valores ou reler várias vezes? Converta.
- Rode o
convert.sh(ou a ferramenta da tabela) e guardeOUT=. - Trate pendências:
PENDING=ocrcomOCR_LOCAL=ocrmypdf→ ofereça ao usuário:ocrmypdf --skip-text <in.pdf> <out.pdf>e reconverta oout.pdf. Comtesseract:tesseract <página.png> - -l por. Sem nenhum → registre[DOC PENDENTE — precisa de OCR local]na sua entrega e peça ao usuário.PENDING=csv→ peça ao usuário exportar a planilha como CSV (uma aba por arquivo).
- Confira amostra: abra só o trecho que importa (
Readcomoffset/limit, ougrep -npelo termo) e compare 2–3 números com o original. - Passe o caminho, não o texto: na mensagem ao colega ou no DIGEST, cite
OUT=+ o trecho/linha relevante. Nunca cole o documento inteiro em mensagem, task ou prompt.
Ler o .md gastando pouco
wc -l <arquivo>.mdantes de abrir; acima de ~400 linhas, leia por faixas.grep -n -i "valor\|vencimento\|multa" <arquivo>.mdpara achar a seção e ler só ela.- Tabelas grandes de planilha: filtre a aba/linhas que interessam antes de levar ao raciocínio.
Tabelas
- pandoc → tabela GFM (
| a | b |) direto. Confira cabeçalho e alinhamento. pdftotext -layout→ colunas por espaço. Se a tabela for usada em cálculo, reescreva só ela em GFM e marque(transcrita de PDF — conferir).- Número em pt-BR (
1.234,56) fica como está no.md; converta só no cálculo, declarando a conversão.
@firecrawl/anydoc — opcional, com versão fixa
Útil quando pandoc/poppler não estão instalados e há Node 20+. Só com versão fixa e sem OCR remoto:
npx --yes @firecrawl/anydoc@0.2.4 "<arquivo>" -o "<arquivo>.md"- Versão fixa
0.2.4(publicada em 27/08/2026). Nuncanpx -y @firecrawl/anydocsem versão. - Nunca
--ocr hosted,--api-keynemFIRECRAWL_API_KEY: isso envia o documento a serviço externo. Saída3do anydoc = PDF precisa de OCR → siga o passo 3 acima. - O 1º uso baixa o pacote do npm: peça OK ao usuário antes.
- Escreva o cabeçalho obrigatório à mão depois.
Checklist antes de entregar
- Nenhum serviço externo tocou no documento
.mdcom cabeçalho (origem, ferramenta, data, páginas, aviso se PDF)- Pendência marcada (
[DOC PENDENTE — …]) em vez de conteúdo vazio - 2–3 números conferidos contra o original
- Mensagem/entrega cita o caminho, não o conteúdo inteiro
Anti-padrões
- Colar o texto do contrato inteiro na mensagem para o colega.
- "Resolver" PDF escaneado mandando para OCR online.
- Tratar
.mddepdftotextcomo verdade sem conferir números. - Inventar valor de célula que a conversão perdeu — marque pendência.
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

