推荐语
探索微软开源的多功能文档转换工具MarkItDown，轻松实现文件格式到Markdown的转换。
核心内容：
1. Markdown在LLM和RAG模型中的重要性
2. MarkItDown的功能特性与支持格式
3. MarkItDown与大型语言模型的集成及配置选项
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
现在LLM（大型语言模型）应用的普遍使用和落地，Markdown格式的文档是各种LLM和RAG（检索增强生成）偏爱，主要体现在以下两个方面：
所以文件格式的转换变得尤为重要。无论是将PDF、Word文档，还是Excel表格、PPT演示文稿进行结构化处理，很多时候我们都需要将其处理为Markdown格式今天，我们要介绍的就是这款由微软开源的多功能文档转换工具—MarkItDown。一个轻量级的 Python 实用程序，主要用于将各种文件转换为 Markdown 格式，以便与大语言模型（LLMs）和相关文本分析管道配合使用。与传统的文本提取工具相比，MarkItDown 更注重保留重要的文档结构和内容，如标题、列表、表格、链接等。虽然它的输出主要是为了供文本分析工具使用，但对于需要快速将多种文件格式转换为 Markdown 的用户来说，它无疑是一个强大的工具。
# GitHub地址https://github.com/microsoft/markitdown
1. 多格式支持
MarkItDown 支持的文件格式丰富多样，涵盖了常见的办公和多媒体文件类型，包括：
PDF
PowerPoint
Word
Excel
图像（EXIF 元数据和 OCR）
音频（EXIF 元数据和语音转录）
HTML
基于文本的格式（CSV、JSON、XML）
ZIP 文件
Youtube 网址
EPubs
2. 灵活的配置选项
可选依赖项：MarkItDown 提供了多种可选依赖项，用户可以根据需要安装特定的依赖项，例如 pip install markitdown[pdf, docx, pptx] 只安装 PDF、DOCX 和 PPTX 文件的依赖项。
插件支持：MarkItDown 支持第三方插件，用户可以通过插件扩展其功能。插件默认是禁用的，可以通过 markitdown --use-plugins 命令启用。
3. 与大语言模型的集成
MarkItDown 支持与 GPT-4 等大语言模型集成，可以生成丰富的描述性输出，例如对图片的分析和描述。用户可以通过提供 llm_client 和 llm_model 参数来启用这一功能。
4. 其他特性
通过简单的 pip 命令即可快速安装 MarkItDown
pip install 'markitdown[all]'
git clone git@github.com:microsoft/markitdown.gitcd markitdownpip install -e packages/markitdown[all]
1. 命令行使用
markitdown path-to-file.pdf
markitdown path-to-file.pdf -o document.md
cat path-to-file.pdf | markitdown
2. Python API 使用
from markitdown import MarkItDownmd = MarkItDown(enable_plugins=False) # 禁用插件result = md.convert("test.xlsx")print(result.text_content)
from markitdown import MarkItDownfrom openai import OpenAIclient = OpenAI()md = MarkItDown(llm_client=client, llm_model="gpt-4o")result = md.convert("example.jpg")print(result.text_content)
3. Docker 使用
docker build -t markitdown:latest .
docker run --rm -i markitdown:latest < ~/your-file.pdf > output.md
MarkItDown 作为一个强大的文件转换工具，为用户提供了丰富的功能和便捷的使用方式。它支持多种文件格式的转换，并且通过插件架构，使得其功能可以不断扩展，满足不同用户的多样化需求。
粤ICP备14082021号
免费POC，
零成本试错
