Archivos Markdown: texto plano con convenciones, y hay más de una
Qué es un archivo .md, por qué no hay dos renderizadores iguales y cómo se reconstruyen títulos y listas desde un PDF que nunca los registró. En tu navegador.
De un vistazo
- Tipo
- Documentos
- Extensiones
- .md, .markdown
- Tipo MIME
- text/markdown
- También conocido como
- MD
Un archivo .md es un archivo de texto. No hay contenedor, ni compresión, ni nada binario: ábrelo en el Bloc de notas y verás exactamente lo que contiene. El formato es una convención, no un lenguaje de marcado: un # al principio de una línea significa un título, un guion significa un elemento de lista, y un renderizador que entiende la convención lo convierte en HTML. Esa es toda la idea, y es la razón de que el formato haya sobrevivido a todos los editores de texto enriquecido de su generación: el archivo se puede leer antes de que nada lo renderice, y seguirá siendo legible cuando haya desaparecido el programa con el que lo escribiste.
Leer más
La complicación es que no existe un único Markdown. La implementación original de 2004 dejó sin definir muchísimos casos, así que cada renderizador los resolvió a su manera; CommonMark existe para fijar esas ambigüedades, y GitHub Flavored Markdown añade encima tablas, listas de tareas y tachado. La situación está reconocida formalmente: cuando text/markdown se registró como tipo de medio en el RFC 7763, en marzo de 2016, el registro incluía un parámetro variant, precisamente porque decir que un archivo es Markdown no dice de qué Markdown se trata. Lo que genera esta web es text/markdown en UTF-8, y solo usa construcciones en las que coinciden todos los dialectos: títulos con almohadilla, párrafos separados por líneas en blanco, viñetas con guion y líneas horizontales.
Convertir un PDF a Markdown significa fabricar una estructura que el PDF nunca tuvo. Un PDF registra tamaños de letra, no títulos, así que se ordenan los tamaños de la página y los seis mayores pasan a ser los seis niveles de título; una línea que simplemente es más grande que el texto normal se convierte en título tanto si el autor lo pensó así como si no. Las listas son peores: el PDF no tiene ninguna construcción de lista, y la viñeta que ves es literalmente un carácter del texto, así que la única forma de que una lista sobreviva es reconocer ese carácter y reescribirlo como guion. Los elementos numerados no necesitan esa ayuda: "1. " y "1) " ya son Markdown, y ya significan una lista.
Hay dos detalles que conviene conocer porque cambian el propio texto. Una línea que termina en guion se trata como una palabra partida por el salto de línea y se vuelve a unir sin él; y las líneas consecutivas en chino o japonés se unen sin espacio entre ellas, porque esas escrituras no lo ponen. Las páginas se separan con una línea horizontal, así que un documento de trece páginas llega con doce. Si el PDF es un escaneo sin capa de texto, el mismo modelo de reconocimiento que se usa para PDF a Word lee primero los caracteres de las imágenes de las páginas, en tu propio equipo.
Convertir otros formatos a Markdown
Preguntas frecuentes: Markdown
¿Un archivo .md es solo un archivo de texto?
Sí. Sin contenedor, sin compresión, nada binario. Cualquier editor de texto lo abre, y los marcadores (#, -, **) son caracteres normales que se pueden leer tal cual.
¿Qué variante de Markdown obtengo?
Solo las partes en las que coinciden todos los dialectos: títulos con almohadilla, párrafos separados por líneas en blanco, viñetas con guion y líneas horizontales. Nada depende de una extensión de GitHub o de CommonMark, así que se ve igual donde lo pegues.
¿Por qué hay líneas de guiones atravesando mi documento?
Son saltos de página. Cada una es una línea horizontal que marca dónde terminaba una página del PDF y empezaba la siguiente, así que un documento de trece páginas sale con doce.
Un título ha salido con el nivel equivocado. ¿Por qué?
Los niveles se ordenan por tamaño de letra, porque un PDF guarda tamaños y no títulos. Cuando un documento usa el tamaño para dar énfasis y no para marcar jerarquía (una cita destacada, una primera línea grande), el orden sigue al tamaño y se equivoca de nivel.
¿Se conservan las tablas?
Las tablas dibujadas con líneas sí: salen como tablas de Markdown, con la primera fila como encabezado. Las tablas de una página escaneada salen como líneas normales, porque un escaneo no tiene líneas que leer. Si las tablas son todo el motivo de la conversión, PDF a Excel coloca cada una en filas y columnas con las que puedes trabajar.
¿Funciona con PDF escaneados?
Sí. Cuando no hay capa de texto, un modelo de reconocimiento de IA se ejecuta en tu navegador y lee los caracteres de las imágenes de las páginas. Los títulos se ordenan entonces por la altura de línea medida en lugar del tamaño de letra, y no se sube nada.