Maak uw bedrijfsdocumenten AI‑gereed — betrouwbaar, on‑premise en semantisch.
Het komt vaak voor dat organisaties hun documentatie opslaan in PDF‑, DOCX‑, XLSX‑ en ePub‑formaten. Terwijl LLM’s (large language models) goed werken met HTML of platte tekst, moeten deze native documentformaten eerst worden geconverteerd voordat ze effectief kunnen worden gebruikt in LLM + RAG‑pipelines waarbij we met een document of een set documenten willen chatten.
LLM (Large Language Model) — een voorgetraind AI‑model dat tekst genereert en antwoorden geeft op basis van grote tekstcorpora.
RAG (Retrieval‑Augmented Generation) — een aanpak die een LLM combineert met een externe kennisbank (bijvoorbeeld bedrijfsdocumenten) zodat het model de domeininhoud kan ophalen en erop kan redeneren.
Het onderstaande sequencediagram toont de typische stappen die betrokken zijn bij het genereren van een antwoord op een vraag:
De kwaliteit van de antwoorden die je krijgt van een System (LLM + RAG) hangt zowel af van het systeem zelf als van hoe goed de bron‑documenten hun structuur en betekenis behouden wanneer ze de retrieval‑pipeline ingaan.
Het probleem
Documentopmaak is niet alleen visueel — ze draagt semantiek. Koppen, lijsten, tabellen, vet/italisch nadruk, bijschriften en ingesloten afbeeldingen geven allemaal betekenis die een LLM helpt de context te begrijpen. Naïve conversie van documenten (bijvoorbeeld via OCR die elke pagina als één platte afbeelding behandelt) verliest die semantiek vaak. Als gevolg hiervan kunnen RAG‑retrieval en downstream‑LLM‑antwoorden onnauwkeurig of ruisig worden.
OCR kan nuttig zijn voor gescande documenten, maar verwijdert vaak structuur (lijsten die over pagina’s heen lopen, tabelranden die verkeerd worden geïnterpreteerd, verloren annotaties). Het brengt bovendien kosten‑ en infrastructuur‑overhead met zich mee bij het verwerken van grote archieven.
De oplossing
Een alternatieve aanpak is documenten te parseren met structureel bewustzijn en die structuur te exporteren naar een semantisch, LLM‑vriendelijk formaat — Markdown. Markdown is lichtgewicht, breed ondersteund en behoudt koppen, lijsten, tabellen, codeblokken, nadruk, bijschriften en afbeeldingsreferenties — precies de elementen die de kwaliteit van retrieval verbeteren.
GroupDocs.Markdown for .NET converteert populaire documentformaten (PDF, DOCX, XLSX, ePub en meer) naar schone, semantische Markdown die geschikt is voor ingestoken te worden in RAG‑systemen. Het is een on‑premise .NET‑bibliotheek, dus alle verwerking gebeurt binnen uw eigen omgeving — geen externe services, geen datalekken en geen afhankelijkheid van remote GPU’s.
Aan de slag
GroupDocs.Markdown for .NET is beschikbaar als NuGet‑pakket, en ook als MSI‑‑ en ZIP‑downloads.
Installeer het NuGet‑pakket via de .NET‑CLI:
dotnet add package GroupDocs.Markdown
Of download installers en assemblies vanaf de officiële downloadpagina: https://releases.groupdocs.com/markdown/net/
Voorbeeld‑gebruik (toevoegen aan Program.cs):
// Import the namespace
using GroupDocs.Markdown;
// Set the license (optional for evaluation)
License.Set("GroupDocs.Markdown.lic");
// Instantiate the converter for a source document
var converter = new MarkdownConverter("rich-text-formatting.docx");
// Convert and save output to file
converter.Convert("rich-text-formatting.md");
Het geconverteerde bestand rich-text-formatting.md wordt opgeslagen in dezelfde map als uw applicatie.
De volgende schermafbeelding toont een invoer‑DOCX‑bestand en de gegenereerde Markdown.
Als u zonder licentie draait, functioneert de evaluatiemodus slechts een beperkt aantal pagina’s (bijv. de eerste drie). Om de volledige functionaliteit te testen, vraagt u een tijdelijke licentie aan.
Om een tijdelijke licentie aan te vragen, opent u de Purchase Wizard (https://purchase.groupdocs.com/buy/cart?ppId=115659&utm_source=blog), vult u de contactgegevens in en klikt u op Get a temporary license in de stap Contact Details. De tijdelijke licentie wordt per e‑mail naar u verzonden.
Meer informatie over tijdelijke licenties: https://purchase.groupdocs.com/temporary-license/.
Ondersteunde bestandsformaten
GroupDocs.Markdown for .NET ondersteunt een brede set gangbare enterprise‑ en e‑book‑formaten. De volledige lijst van ondersteunde extensies:
- PDF
pdf
- Spreadsheets
.xls,.xlsx,.xlsb,.xlsm,.xlt,.xltx,.xltm,.xlam,.csv,.tsv,.ods,.ots,.fods,.numbers,.sxc
- Word / Rich Text
.doc,.docx,.dot,.dotm,.dotx,.docm,.rtf,.odt,.ott
- Ebooks
.azw3,.mobi,.epub
- Text / Markup / Help
.chm,.xml,.txt
Hoe het werkt (intern — hoog niveau)
Wanneer een document wordt verwerkt, gebeuren twee hoofd‑fasen:
-
Extractie van het documentmodel
Het document wordt geparseerd naar een in‑memory objectmodel dat structurele elementen (paragrafen, koppen, lijsten, tabellen, afbeeldingen, voetnoten, annotaties, enz.) weergeeft. De parser streeft ernaar de semantiek te behouden (bijv. geneste lijsten, tabelcellen en bijschriften). -
Markdown‑generatie
Het objectmodel wordt doorlopen en omgezet naar Markdown volgens configureerbare conversie‑opties (hoe afbeeldingen, tabelopmaak, kopniveau, speciale annotaties, enz. worden behandeld). Het resultaat is een leesbare, semantisch betekenisvolle Markdown‑file, klaar om geïndexeerd te worden door uw RAG‑pipeline.
Export‑voorbeeld
De code‑voorbeeld hierboven laat zien hoe u DOCX naar Markdown exporteert. Laten we dit voorbeeld nemen en de bron‑‑ en uitvoer‑bestanden bekijken als demonstratie.
Bron‑DOCX
De bron‑file rich-text-formatting.docx bevat diverse inhoudsblokken en is zwaar opgemaakt om de belangrijkste semantische elementen te accentueren.
Preview powered by GroupDocs.Viewer for .NET UI.
Gegenereerde Markdown
De uitvoer‑inhoud van rich-text-formatting.md staat hieronder, zodat u kunt zien hoe verschillende opmaak‑elementen worden gerepresenteerd in het gegenereerde Markdown‑bestand.
This document contains a variety of formatted elements that are used to test document rendering quality during file conversion
# <a name="_toc76372684"></a>**Font Formatting**
Source Sans Pro Light, 14 pt.
Simple text in Times New Roman 12 followed by an empty paragraph<sub>subscript</sub> and<sup>superscript</sup>.
Various characters: ‘ “ & < > £ ¥ § ¨ © ª « ® » ¼
Paragraph with multiple segments of text formatted in different fonts, sizes and colors. Very different sizes and colors including **bold**, *italic*, underline and 1 2 3 4 5 ~~strikethrough~~. Make sure that the lines wrapped in the same way in Word and in Pdf.
This text has shading and highlighting and borders, and it is supported.
# <a name="_toc76372685"></a>**Paragraph Formatting**
Paragraph shading should not form empty gaps even with spacing 12 after.
Centered paragraph with a line break had a problem.\
Centered paragraph with a line break had a problem.
Right aligned paragraphs must be right aligned properly.
Right aligned paragraph with line break works well.\
Right aligned paragraph with line break works well.
This paragraph has a border.
Right aligned condensed text had a problem.
Right aligned expanded text had a problem.
Spacing after and before do not add up, just the greater is used. This paragraph has 12 after. Also, when indents are different, the shading does not join.
This paragraph has 12 before, but in total there is only 12 above. Also note that shading belongs to the paragraph at the top and shading of this paragraph does not go down unless next paragraph has shading too. There are 24 points below.
There are 24 points above, but the gap between this and previous paragraph is only 24.
This paragraph is a test for double line spacing. This paragraph is a test for double line spacing. It also have 0.5” for the first line.
This is a test for 1.5 line spacing. This is a test for 1.5 line spacing. Also has -0.5” indent for the first line.
This paragraph has a page break
and centered. It actually creates two paragraphs.
This is a test for Exactly 20 points of spacing. This is a test for Exactly 20 points of spacing. TTTTTT (20, 22, 24, 26, 28, 30).
There is a continuous section break after this line.
This line is in the new section. Next here is an empty section.
This line is in the fourth section.
# <a name="_toc76372686"></a>**Paragraph Justify**
This is a justified paragraph with a single segment. 111111111111111111111111111111111111111111.
Also a justified **paragraph** reset to left because of multiple segments. 111111111111111111111111111111111111111111.
# **Non‑English Characters**
Wingdings: (x, Symbol: WÄ
Russian: Теперь немного по русски.
# <a name="_toc76372687"></a>**Tables**
|Cell 1.1 Left|Cell 1.2 Right|||
| :- | -: | :- | :- |
|Cell 2.1 Centered vertically|Cell 2.2 with background|Cell 2.3 with line break<br>and coloured border.||
|Cell 3.1 Bottom vertically|<p>Cell 3.2</p><p>Centered</p><p>Horizontally</p>|Cell 3.3 No border||
|Left red, blue top, green right and yellow bottom.|
| :- |
|Table with left indent and merged cells.||||
| :- | :- | :- | :- |
|||||
|||||
**Cell padding etc.**
|<p>Cell padding.</p><p>Top: 0.1, bottom 0.2</p><p>Left: 0.5, Right 0.4</p>|Zero padding on all sides, right aligned.|
| :- | -: |
|Outer 1.1|Outer 1.2. There is a nested table here||
| :- | :-: | -: |
|**Nested 1.1**|**Nested 1.2**|
| :- | :- |
|||Outer 1.3|
| :- | :-: | -: |
#
# <a name="_toc76372688"></a>**Lists**
**Numbered list:**
1. Item 1
1. Item 2
1. Item 2.1
1. Item 2.2
1. Item 3
**Bulleted list:**
- Item 1
- Item 2
- Item 2.1
- Item 2.2
- Item 3
#
# <a name="_toc76372689"></a>**Images**
This section starts from a new page.
**Ellipse text**
 ... "kyoc5697")
In‑line JPEG geschaald 50 % en WMF geschaald 25 % in een alinea. Deze tekst staat vóór de afbeelding en  is hier.
In‑line GIF geschaald 50 % en WMF geschaald 25 % in een alinea. Deze tekst is vóór de afbeelding en  is hier.
---
## Samenvatting
GroupDocs.Markdown for .NET helpt u een breed scala aan documentformaten om te zetten naar semantische Markdown die klaar is voor LLM + RAG‑systemen. Het behoudt documentstructuur en betekenis, draait on‑premise en ondersteunt gangbare enterprise‑formaten — een praktische keuze voor organisaties die grote documentverzamelingen voor AI‑gebruik moeten voorbereiden.
---
## Meer weten
- Producthome: https://products.groupdocs.com/markdown/net/
- Documentatie: https://docs.groupdocs.com/markdown/net/
- Licentie‑informatie: https://about.groupdocs.com/legal/
- Downloads: https://releases.groupdocs.com/markdown/net/
---
## Ondersteuning & feedback
Voor vragen of technische begeleiding kunt u ons [gratis ondersteuningsforum](https://forum.groupdocs.com/) gebruiken — we helpen u graag.