MarkItDown 上手指南：把 20 种文件格式一键转成 Markdown 喂给大模型

MarkItDown 上手指南把 20 种文件格式一键转成 Markdown 喂给大模型【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做文档预处理的时候你肯定被折磨过PDF 里的表格复制到文档里就全乱了PPT 会议纪要只能一行行手敲音频和网页更是没法统一处理。MarkItDown 就是为这个场景做的开源 Python 工具——把 PDF、Word、Excel、PPT、图片、音频、网页统统转成结构化 Markdown直接就能喂给 LLM 或文本分析管线。它到底能干什么一句话定位给大模型和文本分析管线喂干净且保留结构的 Markdown。标题、列表、表格、链接都会保留成 Markdown 语法而不是拍平成纯文本。办公文档全家桶PDF / Word / Excel / PPT 转 Markdown表格保留为 Markdown 表格图片与音频读取 EXIF 元数据音频支持语音转文字网页与 URLHTML、RSS、Wikipedia、YouTube 都能直接转ZIP 文件自动遍历包内文件逐个转换插件体系OCR、Azure 云服务解析按需挂载跑起来5 分钟看到效果安装只要一条命令装完立刻转一个文件试试pip install markitdown[all] markitdown test.pdf test.md打开test.md标题层级、段落、表格都在。 环境要求只有 Python 3.10。如果只碰 PDF 和 Word可以装更轻量的pip install markitdown[pdf, docx]省下一大堆用不上的依赖。核心用法单文件转换支持管道# 存到文件 markitdown path-to-file.pdf -o document.md # 或者管道方便串进其他命令 cat path-to-file.pdf | markitdown批量转一个目录CLI 本身只吃单个文件批量交给 shellmkdir -p md for f in *.pdf *.docx *.xlsx; do markitdown $f -o md/${f%.*}.md done 文件多的时候可以并行for循环里加后台跑或者把文件列表喂给xargs -P4几十个文件几分钟跑完。Python API 集成写进自己的流水线只需要几行from markitdown import MarkItDown md MarkItDown(enable_pluginsFalse) result md.convert(research_paper.pdf) print(result.markdown) # text_content 是老别名新代码直接用 markdown要给 PPT 和图片加 LLM 生成的描述传个llm_client和llm_model即可比如 OpenAI 客户端 gpt-4o。挂插件和云服务内置解析是离线方案遇到复杂版面可以上插件markitdown --list-plugins # 看看装了哪些插件 markitdown --use-plugins scanned.pdf # 启用插件转换比如markitdown-ocr插件能用 LLM Vision 把 PDF/DOCX 里图片中的文字识别出来不引入新的 ML 依赖文档见 packages/markitdown-ocr/README.md。Azure Document Intelligence 也能接入markitdown file.pdf -d -e endpoint扫描版文档效果明显更好。避坑笔记⚠️扫描版 PDF 是重灾区。纯图片、没有文本层的 PDF离线转换基本提不出什么文字。两条路装markitdown-ocr插件或者走 Azure 云服务别指望内置解析器能救场。⚠️[all]不是免费的。它把音频转写、视频字幕这些重型依赖全装了装得慢、体积大。只处理办公文档就按 extras 精确安装依赖能少一大半。⚠️服务环境里别裸用convert()。它为了通用能吃本地路径、远程 URI 和字节流。如果你只读本地文件用convert_local()更稳输入路径来自外部用户时先校验再转换。最后想自己写一个转换器插件仓库里的 packages/markitdown-sample-plugin/ 是个能直接抄的模板视频文件则只能走 Azure Content Understanding。总之挑一份你嫌麻烦的文档先跑一遍比看十篇文档都管用。【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