Convertir un PDF en Markdown pour un LLM : 4 outils libres

Pour donner un PDF à un modèle de langage (LLM), le plus fiable est de le convertir d'abord en Markdown : les titres deviennent des #, les tableaux restent des tableaux, et vous pouvez découper par section. Quatre outils libres reviennent dans toutes les discussions techniques : Docling, Marker, MarkItDown et Unstructured. Ils ne font pas la même chose, notamment sur les pages scannées, qui demandent une reconnaissance optique de caractères (OCR). Ce comparatif s'appuie uniquement sur leurs dépôts et leur documentation, lus le 15/11/2026.

Précision utile : ce site est édité par IArche, qui édite aussi ALMA, une plateforme d'agents IA alimentés par des documents. Aucun des quatre outils ci-dessous n'appartient à IArche.

Le tableau comparatif

Docling : la structure avant tout

Docling annonce la compréhension de la mise en page, de l'ordre de lecture, de la structure des tableaux, du code et des formules, et une exécution locale « pour les données sensibles et les environnements isolés ». Il s'installe par pip install docling et se lance en une ligne :

docling rapport.pdf

La commande écrit un fichier Markdown dans le dossier courant. Le détail des options (OCR, tableaux, images) est sur la page Docling.

Marker : la précision, avec un modèle en appui

Marker convertit PDF, images et fichiers Office en Markdown, JSON, HTML ou morceaux, met en forme tableaux, équations et blocs de code, et retire les en-têtes et pieds de page. Son option --use_llm fait appel à un LLM « pour la meilleure précision » ; le modèle par défaut indiqué est gemini-3.5-flash, et d'autres services sont pris en charge.

pip install marker-pdf
marker_single rapport.pdf --output_format markdown

Pour les documents autres que PDF, le dépôt indique pip install marker-pdf[full]. Les modes no_ocr et fast tournent sur processeur, sans carte graphique.

MarkItDown : léger, pour les lots de fichiers Office

MarkItDown est l'outil le plus simple à brancher sur un lot de fichiers variés. Son dépôt prévient toutefois que sa sortie « n'est peut-être pas la meilleure option » pour des conversions très fidèles destinées à des humains : il vise la lecture par une machine. Usage :

pip install 'markitdown[all]'
markitdown contrat.pdf -o contrat.md

Il est détaillé sur la page MarkItDown, centrée sur Word, Excel et PowerPoint.

Unstructured : des éléments plutôt qu'un fichier

Unstructured ne vise pas d'abord un fichier Markdown : sa fonction partition découpe le document en éléments que vous retraitez ensuite.

from unstructured.partition.auto import partition
elements = partition("rapport.pdf")

Pour les PDF et les images, sa documentation décrit quatre stratégies : auto (par défaut), fast (règles, PDF seulement), hi_res (modèle qui identifie la mise en page) et ocr_only. L'installation complète (pip install "unstructured[all-docs]") demande des paquets système : libmagic-dev, poppler-utils, tesseract-ocr et libreoffice.

Comment choisir

1. PDF natifs simples, fichiers Office : MarkItDown, pour démarrer vite.
2. PDF mis en page, tableaux, scans, données sensibles à traiter en local : Docling.
3. Précision maximale acceptant un appel à un LLM : Marker avec --use_llm, en vérifiant la licence des poids.
4. Chaîne qui retraite chaque élément (titres, paragraphes, tableaux) : Unstructured.

Quel que soit l'outil, testez-le sur vos dix documents les plus difficiles, pas sur un exemple du dépôt. Le résultat se découpe ensuite par section : voir le découpage pour un RAG, la recherche dans les documents avant réponse.