MarkItDown vs Pandoc vs Markdownify: welke tool kies je?

Markdown is de standaard geworden voor tekst die door software verwerkt wordt, van documentatie tot de kennisbank van een AI-assistent. Er zijn dus veel tools die iets naar Markdown omzetten. Drie daarvan worden het vaakst genoemd. Ze verschillen in wat ze lezen, wat ze schrijven en voor wie ze bedoeld zijn.

De drie tools in het kort

MarkItDown is een Python-bibliotheek van Microsoft, open source onder de MIT-licentie. Hij is specifiek gemaakt om allerlei bestanden, zoals PDF, Word, Excel en PowerPoint, om te zetten naar Markdown voor gebruik met taalmodellen. Meer achtergrond vind je in onze gids wat is MarkItDown.

Pandoc is de veteraan. Het is een universele documentconverter, oorspronkelijk geschreven door John MacFarlane, een filosofiehoogleraar aan Berkeley. Pandoc bestaat al sinds 2006, is geschreven in Haskell en wordt verspreid onder de GPL-licentie. Het kan tientallen formaten in elkaar omzetten, in vrijwel elke richting.

Markdownify is een kleine Python-bibliotheek die één ding doet: HTML omzetten naar Markdown. Hij is open source onder de MIT-licentie en wordt vaak gebruikt in scrapers en scripts die webpagina's verwerken.

Vergelijking op een rij

Pandoc ontwikkelt zich voortdurend, en ook MarkItDown krijgt regelmatig nieuwe formaten. Kijk bij twijfel in de actuele documentatie van elk project.

MarkItDown: gemaakt voor AI

De kracht van MarkItDown is focus. Je gooit er een bestand in, en je krijgt Markdown terug die geschikt is om aan een taalmodel te geven. Je hoeft niet na te denken over opties. Daarnaast leest hij PDF, iets wat Pandoc niet als invoer ondersteunt. Excel en PowerPoint kan Pandoc pas sinds versie 3.8.3 lezen; MarkItDown doet dat al langer. Dat maakt hem populair bij ontwikkelaars die een RAG-systeem of een kennisbank bouwen.

Sterk: breed aantal invoerformaten, eenvoudig, gericht op tekst en structuur.

Minder sterk: geen weg terug naar Word of PDF, en de opmaak van het resultaat kun je weinig sturen. Bij complexe PDF's met kolommen of tabellen hangt de kwaliteit af van de onderliggende PDF-lezer.

Pandoc: het Zwitsers zakmes

Pandoc is gebouwd voor mensen die documenten maken en publiceren. Wetenschappers schrijven er hun artikelen mee in Markdown en zetten die om naar LaTeX of Word. Uitgevers maken er EPUB's mee. Het programma heeft een eigen, rijke variant van Markdown met voetnoten, citaties en metadata.

Sterk: enorm veel formaten in en uit, zeer nauwkeurig, uitbreidbaar met filters en sjablonen, en ideaal voor terugzetten van Markdown naar Word, PDF of LaTeX.

Minder sterk: leest geen PDF's als invoer, en voor PDF als uitvoer heb je meestal een LaTeX-installatie nodig. De vele opties maken het voor beginners overweldigend.

Een typisch Pandoc-commando om een Word-bestand om te zetten:

pandoc Beleidsplan_Gemeente_Zwolle.docx -t gfm -o beleidsplan.md

Markdownify: klein en specifiek

Markdownify doet precies wat de naam zegt. Je geeft een stuk HTML, je krijgt Markdown terug. Het is ideaal als onderdeel van een groter Python-script, bijvoorbeeld om nieuwsartikelen of productpagina's van een webwinkel om te zetten voordat ze in een zoekindex gaan.

from markdownify import markdownify
print(markdownify("<h2>Openingstijden</h2><p>Ma–vr 9–17 uur</p>"))

Sterk: licht, snel, makkelijk in te bouwen, met opties om bepaalde tags over te slaan.

Minder sterk: alleen HTML. Rommel uit navigatie, cookiebanners en scripts moet je meestal zelf eerst weghalen.

Welke kies je in welke situatie?

Een paar voorbeelden uit de praktijk. Een gemeente die al haar raadsstukken doorzoekbaar wil maken voor een interne chatbot, kiest MarkItDown in een pipeline. Een promovendus in Leiden die haar proefschrift in Markdown schrijft, zweert bij Pandoc. Een ontwikkelaar die de FAQ-pagina's van een webwinkel als bron voor een klantenservicebot gebruikt, kiest Markdownify.

En de browser dan?

Alle drie de tools vragen om een installatie en om enige kennis van de terminal of Python. Voor veel mensen is dat een drempel, en voor een paar bestanden per week ook niet nodig. Een browsertool zoals MarkItDown.nl combineert een deel van de mogelijkheden: PDF naar Markdown omzetten zoals MarkItDown dat doet, HTML naar Markdown zoals Markdownify, en de andere kant op, bijvoorbeeld Markdown naar Word, zoals je dat met Pandoc zou doen.

Een browsertool is minder geschikt om duizenden bestanden te automatiseren, en biedt niet de fijnmazige controle van Pandoc. Het grote voordeel is dat je direct aan de slag kunt, en dat je bestanden je apparaat niet verlaten. Wil je de afweging tussen browser en Python verder uitdiepen, lees dan Markdown omzetten in de browser of met Python.

Een voorbeeld: drie collega's, drie keuzes

Op een communicatieafdeling van een woningcorporatie in Tilburg werken drie mensen die allemaal met Markdown te maken krijgen, maar elk om een andere reden.

Sanne beheert de interne kennisbank en wil honderden Word- en PDF-documenten doorzoekbaar maken voor een AI-assistent. Zij heeft het meest aan MarkItDown: één bibliotheek die al die formaten leest en tekst oplevert die een taalmodel goed begrijpt.

Joris schrijft het jaarverslag in Markdown, omdat hij dan zijn tekst in Git kan bijhouden. Aan het eind moet er een opgemaakt Word-bestand en een PDF uitkomen, met inhoudsopgave en voetnoten. Dat is precies waar Pandoc in uitblinkt: één bron, veel uitvoerformaten, met sjablonen voor de huisstijl.

Fatima haalt nieuwsberichten van de eigen website op om ze in een nieuwsbrief te hergebruiken. Ze werkt al in Python en heeft alleen HTML. Markdownify is voor haar genoeg: klein, snel en zonder extra afhankelijkheden.

Geen van de drie heeft het "beste" gereedschap; ieder heeft het gereedschap dat bij de taak past. En wie niet wil programmeren, gebruikt voor dezelfde taken de browser: HTML naar Markdown voor Fatima's webpagina's, Markdown naar PDF voor een snelle versie van Joris' verslag.

Installatie en onderhoud

Ook de installatie verschilt. MarkItDown en Markdownify installeer je met pip in een Python-omgeving; MarkItDown heeft extra onderdelen voor bepaalde formaten, die je met pip install 'markitdown[all]' in één keer binnenhaalt. Pandoc is één programma dat je downloadt van de officiële site of installeert met een pakketbeheerder zoals Homebrew op de Mac of winget op Windows. Python is daarvoor niet nodig.

Let ook op het onderhoud. Alle drie worden actief bijgewerkt, en bij Pandoc verandert er per versie soms flink wat. Gebruik je een van de tools in een vast script, leg dan de versie vast, zodat een update je resultaat niet ongemerkt verandert. Werk de versie bewust bij en controleer daarna een paar bekende bestanden.

Samengevat

MarkItDown is gemaakt om kantoorbestanden klaar te maken voor AI. Pandoc is de universele converter voor wie publiceert en veel controle wil. Markdownify zet HTML om en verder niets. Ze sluiten elkaar niet uit: veel teams gebruiken ze naast elkaar. En voor wie zonder installatie wil werken, is een browsertool de snelste route.