explorar pick editorial #document_parsing hallazgo 01 · boletín 2026-08-05 · Firecrawl

firecrawl/anydoc

Parser multi-formato (DOCX, PPTX, XLSX, ODT, RTF, EPUB, CSV, PDF → Markdown) escrito en Rust con bindings oficiales Node.js y Python; el gemelo "document-side" del proyecto Firecrawl (que era web-side).

Estrellas

—

Forks

—

Lenguaje

Markdown

Licencia

MIT

Issues

—

Estado

—

Cómo funciona

Implementa document parsingdoc-to-md-ingestion

Núcleo

firecrawl/anydoc Markdown · MIT PowerPointExcelOpenDocumentRTFEPUBCSVandPDFtocleanMarkdown

Se cruza con todavía sin cruces en el grafo

Diagrama derivado de madurez_senales (lenguaje, licencia, estado y topics) y de las relaciones que este repo tiene en el grafo de conocimiento. No es una arquitectura del proyecto: es su posición funcional tal como la registran los boletines.

Posición en el ecosistema

firecrawl/anydoc

implementa

document parsing Concepto

firecrawl/anydoc

implementa

doc-to-md-ingestion Concepto

Expandir en el grafo 3D →

Relaciones que aportó este boletín

implementsdocument_parsingnuevorelevant_toagent_ingestnuevocompetes_withfirecrawl/pdf-inspectornuevo

Por qué importa

Si tienes agentes que ingieren PDFs, DOCX o PPTs, esta pieza te ahorra montar una pipeline propia: un único binario Rust con bindings oficiales de Python y Node convierte los formatos a Markdown directamente, bajo licencia MIT. Sustituye el clásico combo de librerías separadas por documento y, como contrapunto editorial, se distingue del firecrawl/pdf-inspector que cubrimos en el boletín anterior: aquel solo inspecciona y clasifica PDFs; anydoc extrae contenido y lo convierte a Markdown utilizable.

Alerta

clonar y comparar rendimiento contra MarkItDown sobre el mismo DOCX complejo. Si pasa el smoke test, es candidato serio para cualquier pipeline de RAG/agent.

Idx 11 (magicrew/doc7): compite con firecrawl/anydoc pero con VLM multimodal. La comparación puede ser injusta con anydoc; ojo con claims.

Acción concreta

firecrawl/anydoc: parser universal 9 formatos. Si tu pipeline de ingest procesa PDFs/DOCXs/PPTs, esta es la pieza canónica. Vale benchmarking vs MarkItDown.

Apariciones · 2

2026-08-08 radar
2026-08-05 hallazgo principal

Señales de madurez (texto original)

Estrellas totales: 2.346 · Forks: 97 · Lenguaje: Rust · Fecha creación: 2026-08-03 (hace 2 días) · Último push: 2026-08-04 · Licencia: MIT · Topics: [] (sin topics configurados) · Descripción oficial: "Convert Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV, and PDF to clean Markdown. Built in Rust, with Node.js and Python bindings."