MarkItDown 文档转 Markdown 完整指南三步把办公文件变成结构化文本【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown手头一堆 PDF 和 Excel可管道里的 LLM 只认文本卡在这一步。MarkItDown 是个免费的 Python 文档转 Markdown 工具把 PDF、Word、Excel、PPT、HTML 这些格式加工成保留标题、列表、表格的 Markdown通常一条命令就能出活。五分钟上手安装与一条命令 ⏱需要 Python 3.10 及以上。装法有两档pip install markitdown[all]把所有可选依赖一次装齐支持的基本都能转只处理两三种格式就按需装例如markitdown[pdf, docx]依赖树更小。装完自带命令行工具。-o把结果写进文件不写就把结果打到终端方便直接接管道pip install markitdown[all] markitdown report.pdf -o report.mdPython 里三行搞定本地路径、远程链接、字节流都能传进去转好的文本在返回值里from markitdown import MarkItDown md MarkItDown() print(md.convert(weekly.xlsx).text_content)能力地图四类常用输入输出 PDF 研报转完标题层级和表格还在最典型的用法把研报、白皮书丢给 RAG 管道RAG 即检索增强生成先存文档切片、提问时再捞相关片段。MarkItDown 转出来的标题级别、表格、链接都以 Markdown 结构保留切块向量化之后召回的文本不会断句。Excel 表格转完LLM 直接读数字写总结xlsx、xls、CSV 都会变成 Markdown 表格大模型不用理解单元格坐标读数字就能出总结句。周报、台账喂给 agent 时很好用。丢一个视频链接拿回字幕文本传 YouTube 链接它会取回字幕并以 Markdown 文本返回视频口述内容不用单独导出。音频文件走audio-transcription依赖装好后还能做语音转写。ZIP 压缩包丢进去内部文件逐个处理攒扫描件或素材时常是一个归档包MarkItDown 会遍历 ZIP 内容逐文件转换批量入库不用手动解压。默认关着的三档开关LLM 描述、OCR 与云端抽取 让大模型给图片写描述转换图片、PPT 时默认只能拿到元数据EXIF文件里记录的拍摄参数等信息。传入llm_client和llm_model后它会调模型给图片内容写一段说明塞进 Markdown。仓库里就有专门验证这点的测试样例代价每次描述都会消耗一次大模型 API 调用。OCR 插件 markitdown-ocr扫描件 PDF、图片化的 Word、PPT、Excel 本地抽不出字这个插件用同一套 LLM 客户端识别图内文字。默认关闭装上后把enable_plugins设为True才生效没传llm_client时会静默回退到内置转换。细节看插件说明。云端抽取复杂版式可以路由到 Azure Document Intelligence命令行-d -e加端点或 Content Understanding--use-cu --cu-endpoint结构化效果更强但每次调用都是计费的云端 API。可以用cu_file_types限制哪些格式走云端把开销控住。其余的列表里没有的格式可以靠第三方插件补--list-plugins查看已安装项转换时加-p启用。排障速查转不动先查这四处 某类格式报错或没被识别多半缺对应可选依赖补一条pip install markitdown[pdf]这类安装即可。从管道读入时认不出类型没有扩展名可看用-x给扩展名提示或用-c指定字符编码。输出里的 base64 图片被截掉data URI 默认截断加--keep-data-uris可保留。复杂版式丢结构严重排版越简单越完整先转一份抽查确实复杂就换云端抽取。怀疑某个格式实现有问题时可按文件名翻转换模块源码目录 定位。收尾一句话定位MarkItDown 是把二进制文档喂进文本管道的清洗工具不是版式还原引擎。想要输出和原文件长得一模一样或法律文书、财务报表要逐页人工核校就别硬上那需要专用排版工具或手工处理。【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
