Convertir EPUB a Markdown: un libro que conserva sus capítulos
Renombra un .epub a .zip y descomprímelo. Encontrarás una carpeta de archivos
XHTML, una hoja de estilos o dos, unas imágenes y un manifiesto llamado content.opf que lista
cada pieza y declara en qué orden se leen. Eso es todo el formato. Un EPUB no es un binario misterioso: es
un sitio web pequeño metido en una bolsa, con un índice cableado dentro.
Lo que lo convierte en materia prima inusualmente buena. Cuando conviertes un EPUB a Markdown no estás adivinando la estructura como te toca hacer con un PDF. Los encabezados ya eran encabezados. El capítulo uno ya era un documento aparte. El orden de lectura estaba declarado, no deducido. Suelta un archivo en el conversor de arriba y obtienes una versión Markdown del libro con su jerarquía intacta: gratis, sin registro, límite de 50 MB, nada se queda de nuestro lado.
Por qué la estructura sobrevive tan bien
Dentro del contenedor hay tres cosas que hacen el trabajo pesado, y vale la pena saber qué aporta cada una:
- Los archivos de contenido XHTML. Marcado semántico de verdad:
<h1>,<h2>,<blockquote>,<ol>. Se proyectan sobre Markdown casi uno a uno. Un título de capítulo pasa a#, una sección a##, una cita destacada a>, y la cursiva de un título de libro sigue siendo cursiva. - El spine. El archivo OPF lista los documentos en orden de lectura, así que los
capítulos salen bien secuenciados aunque los nombres internos sean cosas sin sentido como
part0009.xhtml. - El documento de navegación. El propio índice del libro. Es la razón por la que los títulos de capítulo sobreviven como títulos en vez de llegar como una línea anónima en negrita.
La consecuencia práctica: el Markdown que recibes es navegable. Puedes bajar hasta el capítulo 12,
recortarlo y pegar solo eso en un modelo. Intenta hacer lo mismo con un volcado plano de 400 páginas y
estarás tirando de grep y de mucha fe.
Lo que conviene mirar dos veces
Nada de esto es un impedimento, pero repasar la salida buscando estas cosas cuesta un minuto y te ahorra líos después.
- Los preliminares y las páginas finales vienen de propina. Página de copyright, dedicatoria, «del mismo autor», agradecimientos, restos de índice. En un flujo de estudio eso son unos miles de tokens de nada. Bórralo antes de pegar.
- Las notas al pie y las finales cambian de sitio. En el original son enlaces a un archivo de notas al final del libro. En un Markdown continuo o se agrupan al final del capítulo o aparecen como números sueltos donde estaba la llamada. En narrativa da igual. En una monografía académica donde media argumentación vive en las notas, comprueba dónde han caído antes de construir nada encima.
- Las imágenes no se convierten en texto. La portada, los diagramas y los mapas son archivos dentro del contenedor, no palabras. Aquí no hay OCR, así que las etiquetas de un diagrama no aparecerán. Si una figura carga con la explicación, vas a necesitar el original al lado.
- Los niveles de encabezado pueden ser inconsistentes. Algunas editoriales marcan cada
capítulo como
<h1>, otras usan<h1>para las partes y<h2>para los capítulos, y unas pocas usan<p>con estilos y ningún encabezado real. Este último caso es raro, pero es el que produce una conversión de aspecto plano a partir de un libro que claramente tiene capítulos. - Capitulares y aperturas en versalitas. Un capítulo que empieza con una «I» decorativa grande puede salir como un carácter suelto en su propia línea. Cosmético y fácil de detectar.
El DRM lo corta en seco: léelo antes de subir nada
La mayoría de los EPUB comprados en una tienda comercial llevan gestión de derechos digitales. Los archivos
de contenido dentro del contenedor están cifrados, y junto al manifiesto hay un encryption.xml
que lo declara. Ningún conversor puede leerlos, y este tampoco lo hará. Si subes un libro protegido con DRM
obtendrás un error o un resultado vacío, y la culpa es del archivo, no de la herramienta.
Aun así, los EPUB libres de DRM están por todas partes. Project Gutenberg, Standard Ebooks, la mayoría de editoriales técnicas, las editoriales universitarias, las publicaciones con licencia Creative Commons, lo que hayas exportado tú mismo desde una herramienta de escritura y buena parte de las tiendas independientes que venden archivos sin candado por principio. Todo eso se convierte sin dar guerra.
Sobre la pregunta obvia: convertir un libro que has comprado para estudiarlo es uso personal corriente; republicar el texto con derechos de autor de otra persona es algo completamente distinto. Ese es todo el consejo.
Un libro entero no cabe: trabaja capítulo a capítulo
Una novela de largo recorrido ronda las 100.000 palabras, y un ensayo denso puede ser el doble. Convertido a tokens, eso queda muy por encima de lo que la mayoría de modelos aceptan de una vez, e incluso los de contexto largo se vuelven notablemente más vagos a medida que los llenas. La atención se reparte demasiado. Los detalles del centro se pasan por alto.
Aquí es exactamente donde Markdown se gana el sitio frente al texto plano. Como los encabezados de capítulo sobreviven, puedes cortar el archivo limpiamente y trabajar de capítulo en capítulo:
- Resume cada capítulo por separado y luego mete los resúmenes de vuelta como un único documento corto y pregunta por el hilo conductor del libro entero.
- Monta una guía de estudio por capítulo — tesis principales, términos, preguntas — y cóselas en una sola referencia.
- Haz preguntas concretas contra un único capítulo, de modo que la respuesta del modelo salga de 6.000 palabras en lugar de diluirse entre 150.000.
- Convierte primero el árbol de encabezados en un esquema. Es una forma rápida de decidir qué tres capítulos te interesan realmente para lo que estás haciendo.
El contador de tokens bajo la salida es la señal útil aquí. Te dice antes de pegar si tienes entre manos un trabajo de tamaño capítulo o de libro entero.
EPUB frente al PDF del mismo libro
Si tienes los dos, quédate con el EPUB. Siempre. Los dos formatos resuelven problemas opuestos y eso se nota en la salida.
Un PDF tiene maquetación fija: glifos clavados en coordenadas de una página que nunca cambia de tamaño. Extraer significa reconstruir frases a partir de posiciones, deducir los encabezados por el tamaño de la fuente y adivinar si dos columnas deben entrelazarse. Las cabeceras y los números de página caen en medio de los párrafos. PDF a Markdown gestiona todo eso bien, pero es trabajo de reconstrucción.
El EPUB es reflowable. No hay páginas, así que no hay mobiliario de página que quitar ni geometría de columnas que desenredar. La estructura está declarada, no insinuada. Lo único que el PDF conserva mejor es la maquetación tipográfica precisa: tablas complejas, barras laterales colocadas justo ahí, cualquier cosa donde la disposición en la página forme parte del significado. Para prosa, el EPUB gana con holgura.
Para qué se usa esto
- Estudiar un libro técnico. Convierte un título del estilo de O'Reilly, quédate con el capítulo que estás trabajando y emparéjalo con tu repositorio de GitHub como texto para que un asistente vea a la vez la teoría y tu código real.
- Montar una referencia personal. La jerarquía de encabezados hace que los libros
convertidos sean buscables en Obsidian, en un wiki o en una carpeta con archivos
.md: buscables de una forma en la que una biblioteca de lector electrónico no lo es. - Avanzar por la bibliografía de un curso. Resúmenes por capítulo y preguntas de práctica generadas, rastreables hasta la sección de la que salieron.
- Trabajo sobre manuscritos. Autores y editores exportan un EPUB desde Scrivener o Vellum, lo convierten y obtienen una copia del borrador que se puede diffear y meter en control de versiones.
Si lo que quieres es el libro entero como un flujo de prosa ininterrumpido — para embeddings, índices de legibilidad o indexar de golpe una estantería llena de títulos — EPUB a texto encaja mejor. El selector de formato de arriba alterna entre los dos y conserva el archivo que ya habías seleccionado, así que comparar ambas salidas cuesta un clic y no una segunda subida.
Preguntas frecuentes
¿Cómo convierto un EPUB a Markdown?
Sube el .epub aquí arriba y el libro vuelve como Markdown con su estructura de encabezados intacta, descargable en .md. Gratis, 50 MB por archivo, sin registro. Un EPUB es XHTML por debajo, así que esta es una conversión que preserva la estructura y no una extracción con pérdidas: se convierte mejor que casi cualquier otro formato de los que hay aquí.
¿Por qué el EPUB pasa a Markdown tan limpio?
Porque el origen ya es marcado semántico. Un EPUB es un zip de archivos XHTML donde el título de un capítulo es de verdad un <h1> y el énfasis es de verdad un <em>: la estructura está registrada, no insinuada por el aspecto de las cosas. Llevar eso a Markdown es casi una traducción directa, y por eso sobreviven encabezados, listas, citas en bloque y cursivas.
¿Los títulos de capítulo se convierten en encabezados de Markdown?
Sí, en el nivel que el libro declaró, así que un libro con partes y capítulos produce un esquema anidado y no uno plano. Eso hace que la salida sea navegable de verdad: puedes plegarla en un editor, enlazar a una sección, o preguntarle a un modelo por un capítulo concreto y que encuentre el sitio correcto.
¿Se admiten libros protegidos con DRM?
No. Los archivos cifrados de Kindle o Apple Books no tienen contenido legible hasta que los descifra la aplicación de lectura que los posee, así que la conversión no devuelve nada. Los EPUB libres de DRM — Gutenberg, Standard Ebooks, la mayoría de editoriales técnicas, tus propios manuscritos — funcionan sin ningún tratamiento especial.
¿Sirve para montar un corpus RAG a partir de libros?
Es el mejor punto de partida de los dos formatos. La estructura de encabezados te da límites de fragmento naturales, así que puedes dividir por capítulos o secciones en lugar de por un número arbitrario de caracteres que corta a mitad de un argumento. Si tu troceador prefiere prosa desnuda, EPUB a texto se salta la sintaxis.
El resto de la caja de herramientas
EPUB es uno de los trece formatos que se manejan aquí. File2Txt acepta cualquiera de ellos desde una sola subida si prefieres no elegir página. Para manuscritos e informes está Word a Markdown, para documentos de texto enriquecido antiguos RTF a Markdown, y para páginas web guardadas HTML a Markdown. Una estantería de libros comprimida junta pasa por ZIP a Markdown de una sola vez.
¿Trabajas con código o con la web en vivo? Convierte un proyecto de GitLab o una carpeta de tu máquina, o apunta Web2Txt a una URL. La guía para preparar documentos para LLM cubre la forma general de todo esto.
Repo2Txt está desarrollado y mantenido por v12hero, un desarrollador independiente que crea aplicaciones nativas y web centradas en la privacidad.