Torne seus documentos corporativos prontos para IA — de forma confiável, local e semântica.
É bastante comum que as organizações mantenham sua documentação em formatos PDF, DOCX, XLSX e ePub. Enquanto os LLMs (modelos de linguagem de grande escala) funcionam bem com HTML ou texto puro, esses formatos nativos de documentos precisam ser convertidos antes de serem usados efetivamente em pipelines de LLM + RAG, onde queremos conversar com um documento ou um conjunto de documentos.
LLM (Large Language Model) — um modelo de IA pré‑treinado que gera texto e respostas com base em grandes corpora de texto.
RAG (Retrieval‑Augmented Generation) — uma abordagem que combina um LLM com uma base de conhecimento externa (por exemplo, documentos corporativos) para que o modelo possa recuperar e raciocinar sobre o conteúdo do domínio.
O diagrama de sequência a seguir ilustra as etapas típicas envolvidas na geração de uma resposta a uma pergunta:
A qualidade das respostas que você obtém de um Sistema (LLM + RAG) depende tanto do próprio Sistema quanto da forma como os documentos‑fonte preservam sua estrutura e significado ao serem alimentados na pipeline de recuperação.
O problema
A formatação de documentos não é apenas visual — ela carrega semântica. Títulos, listas, tabelas, destaques em negrito/itálico, legendas e imagens embutidas transmitem significado que ajuda um LLM a entender o contexto. Converter documentos de maneira ingênua (por exemplo, usando OCR que trata cada página como uma imagem plana) costuma perder essas semânticas. Como resultado, a recuperação RAG e as respostas do LLM podem se tornar imprecisas ou ruidosas.
OCR pode ser útil para documentos escaneados, mas frequentemente elimina a estrutura (listas que se dividem em páginas, bordas de tabelas mal interpretadas, anotações perdidas). Ele também acrescenta custo e sobrecarga de infraestrutura ao processar grandes arquivos.
A solução
Uma abordagem alternativa é analisar documentos com consciência estrutural e exportar essa estrutura para um formato semântico e amigável ao LLM — Markdown. Markdown é leve, amplamente suportado e preserva títulos, listas, tabelas, blocos de código, ênfase, legendas e referências de imagem — exatamente os recursos que melhoram a qualidade da recuperação.
GroupDocs.Markdown para .NET converte os formatos de documento mais populares (PDF, DOCX, XLSX, ePub e muito mais) em Markdown limpo e semântico, adequado para ingestão em sistemas RAG. É uma biblioteca .NET on‑premise, de modo que todo o processamento ocorre dentro do seu ambiente — sem serviços externos, sem vazamento de dados e sem dependência de GPUs remotas.
Como começar
GroupDocs.Markdown para .NET está disponível como pacote NuGet, além de downloads MSI e ZIP.
Instale o pacote NuGet com a .NET CLI:
dotnet add package GroupDocs.Markdown
Ou baixe instaladores e assemblies na página oficial de downloads: https://releases.groupdocs.com/markdown/net/
Exemplo de uso (adicione ao 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");
O arquivo rich-text-formatting.md convertido será salvo na mesma pasta da sua aplicação.
A captura de tela a seguir mostra o arquivo DOCX de entrada e o Markdown resultante.
Se você executar sem uma licença, o modo de avaliação processará um número limitado de páginas (por exemplo, as três primeiras). Para experimentar o produto completo, solicite uma licença temporária.
Para solicitar uma licença temporária, abra o Purchase Wizard (https://purchase.groupdocs.com/buy/cart?ppId=115659&utm_source=blog), forneça os dados de contato e clique em Get a temporary license na etapa Contact Details. A licença temporária será enviada por e‑mail.
Saiba mais sobre licenças temporárias: https://purchase.groupdocs.com/temporary-license/.
Formatos de arquivo suportados
GroupDocs.Markdown para .NET suporta um amplo conjunto de formatos empresariais e de e‑book. A lista completa de extensões suportadas:
-
PDF
pdf
-
Planilhas
.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
-
E‑books
.azw3,.mobi,.epub
-
Texto / Markup / Ajuda
.chm,.xml,.txt
Como funciona (internos — visão geral)
Quando um documento é processado, ocorrem duas fases principais:
-
Extração do modelo do documento
O documento é analisado em um modelo de objetos em memória que representa os elementos estruturais (parágrafos, títulos, listas, tabelas, imagens, notas de rodapé, anotações etc.). O analisador se esforça para preservar a semântica (por exemplo, aninhamento de listas, células de tabela e legendas de imagens). -
Geração de Markdown
O modelo de objetos é percorrido e convertido para Markdown de acordo com opções configuráveis de conversão (como tratar imagens, formatação de tabelas, níveis de títulos, anotações especiais etc.). O resultado é um arquivo Markdown legível e semanticamente significativo, pronto para indexação pelo seu pipeline RAG.
Exemplo de exportação
O código acima demonstra como exportar DOCX para Markdown. Vamos analisar os arquivos de origem e saída como demonstração.
DOCX de origem
O arquivo fonte rich-text-formatting.docx contém diversos blocos de conteúdo e está fortemente formatado para destacar os principais elementos semânticos.
Preview powered by GroupDocs.Viewer for .NET UI.
Markdown de saída
O conteúdo resultante de rich-text-formatting.md é exibido abaixo, mostrando como os diferentes elementos de formatação são representados no arquivo Markdown gerado.
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**
There is an image in a black border in the top right corner, but it will drop down into the text. There is also a transparent ellipse with text that overlaps the picture.
Inline JPEG in a separate paragraph.
 há uma imagem com borda preta no canto superior direito, mas ela será empurrada para baixo, entrando no texto. Há também uma elipse transparente com texto que se sobrepõe à imagem.
JPEG inline em um parágrafo separado.
 esta imagem possui uma borda preta no canto superior direito, porém ela será deslocada para baixo, entrando no texto. Também há uma elipse transparente com texto que se sobrepõe à imagem.
**Imagem inline** em ponto de interseção.
---
## Resumo
GroupDocs.Markdown para .NET ajuda a converter uma ampla gama de formatos de documento em Markdown semântico pronto para sistemas LLM + RAG. Ele preserva a estrutura e o significado dos documentos, funciona on‑premise e oferece suporte aos formatos corporativos mais comuns — tornando‑se uma escolha prática para organizações que precisam preparar grandes coleções de documentos para consumo por IA.
---
## Saiba mais
- Página do produto: https://products.groupdocs.com/markdown/net/
- Documentação: https://docs.groupdocs.com/markdown/net/
- Informações de licença: https://about.groupdocs.com/legal/
- Downloads: https://releases.groupdocs.com/markdown/net/
---
## Suporte & feedback
Para dúvidas ou assistência técnica, use nosso **[Fórum de Suporte Gratuito](https://forum.groupdocs.com/)** — estaremos felizes em ajudar.