MarkItDown 文档转换完整指南11 种格式一键转 Markdown【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/markitdownMarkItDown 是一个 Python 文档转换工具能把 PDF、Word、PPT、Excel 等 11 类文件转成 Markdown保留标题、列表、表格和链接。它替你省掉手写解析器的活直接产出可以喂给 LLM 的干净文本。三步跑通 MarkItDown 安装与第一次转换这一节给你一条最小可用路径装好环境装好包转出第一个文件。先建一个干净的虚拟环境再把 MarkItDown 装上。[all]会带上全部格式依赖新手直接用这个最省事。python -m venv .venv source .venv/bin/activate pip install markitdown[all]然后跑第一次转换。-o指定输出文件结果会写进document.md。markitdown test.pdf -o document.md打开document.md看一眼。标题是#开头表格还是 Markdown 表格说明结构保住了。能力全景11 类输入各保住了哪些结构这一节按输入类型分 4 组讲清转换后留下了什么。办公文档PDF、Word、PPT、Excel、Outlook 邮件保留标题层级、列表、表格、超链接。Excel 的每个 sheet 会分成独立区块。多媒体图片、音频、YouTube 视频图片提取 EXIF 元数据尺寸、作者、拍摄时间音频提取元数据并可做语音转录YouTube 拉取字幕文本。数据与网页HTML、CSV、JSON、XML、RSS、EPUB、Wikipedia网页转 Markdown 后保留正文结构和链接CSV 变成 Markdown 表格EPUB 按章节展开。其他ZIP 压缩包、纯文本ZIP 会逐个遍历内部文件分别转换纯文本按编码自动识别。内置的 20 多个转换器都在 源码目录每种格式一个文件想看某个格式怎么处理的直接翻对应文件。一条真实工作流从单文件到管道批量转换这一节用一个真实场景串起三种输入方式你有一批散落的报告想统一变成 Markdown 存进知识库。第一步直接转文件输出到终端。确认格式没问题markitdown report.pdf第二步用管道喂给它。这样任何上游工具的输出都能接进来不用先落盘cat report.pdf | markitdown第三步指定输出文件一条命令完成入库。-o参数比重定向更稳编码由程序自己按 UTF-8 写markitdown report.pdf -o report.md如果上游数据没有扩展名用-x给个提示比如cat data | markitdown -x csv转换器就能正确识别。按需装配可选依赖、插件与云文档智能核心包很轻重型格式能力靠 extras 按需加。不想全装时按下面清单挑[all]全部格式依赖[pptx][docx][xlsx][xls][pdf][outlook]对应 Office 与 PDF 格式[audio-transcription]wav、mp3 语音转录[youtube-transcription]YouTube 字幕[az-doc-intel][az-content-understanding]Azure 云端解析只装三个格式时一条命令就够pip install markitdown[pdf, docx, pptx]第三方插件默认是禁用的。先看装了哪些markitdown --list-plugins需要时加上-p启用。仓库里的 示例插件 展示了如何注册一个新格式照着改就能写自己的。云端解析适合扫描件和复杂版面。Document Intelligence 的用法markitdown scanned.pdf -o scanned.md -d -e document_intelligence_endpoint要更高保真的提取用 Azure Content Understanding它额外支持音频和视频还能把发票金额、日期这类字段抽成 YAML front mattermarkitdown invoice.pdf --use-cu --cu-endpoint content_understanding_endpoint代码里怎么用Python API 与 LLM 图像描述CLI 适合一次性转换要写进自己的管道就用 Python API。区别在于API 可以进程内调用还能传入 LLM 客户端、插件开关和云端点这些 CLI 给不了的配置。基本用法三行搞定from markitdown import MarkItDown md MarkItDown(enable_pluginsFalse) result md.convert(test.xlsx) print(result.text_content)图片本身没有文字靠 LLM 生成描述。传入llm_client和llm_model后转换图片时会多输出一段文字描述from markitdown import MarkItDown from openai import OpenAI client OpenAI() md MarkItDown(llm_clientclient, llm_modelgpt-4o) result md.convert(example.jpg) print(result.text_content)图一张典型测试图。接入 LLM 后MarkItDown 会把这类图片内容转成文字描述不传llm_client时图片只输出 EXIF 元数据不会报错。容器化部署用 Docker 直接跑 MarkItDown不想配 Python 环境时用仓库根目录的 Dockerfile 直接构建镜像。镜像基于 Python 3.13已内置 ffmpeg 和 exiftool音频转录和图片元数据开箱即用。在仓库根目录构建并运行docker build -t markitdown:latest . docker run --rm -i markitdown:latest your-file.pdf output.md输入走标准输入输出走标准输出方便直接嵌进for循环或 CI 任务里批量处理。适合谁、不适合谁划清使用边界这个工具为机器读设计不是为人看排版。先对号入座再决定用不用。适合的场景RAG 和向量库入库前的文档预处理给 LLM 喂上下文Markdown 省 token 且结构清晰批量把杂格式文件统一成一种文本格式需要程序化解析标题、表格等结构的文本分析管道不建议硬用的场景追求版面 1:1 还原的打印级转换输出是能读的文本不是能看的版式视频文件内置转换器不支持只有 Azure Content Understanding 能处理纯扫描件 PDF离线转换只能拿到很少的文字要走云端服务或 OCR 插件卡住了怎么办5 个高频坑与解法报错信息一般很直白这 5 个是最常踩的。报 MissingDependencyException装了核心包但没装对应格式依赖。报错会告诉你缺哪个 extras按提示装比如pip install markitdown[pdf]。管道输入转换失败从 stdin 读时没有扩展名程序猜不出类型。用-x给扩展名或-m给 MIME 类型。图片只有空元数据EXIF 提取依赖系统里的 exiftool 二进制图片描述依赖 LLM 客户端。两个都缺时输出自然很短。音频转不出文字语音转录依赖 ffmpeg系统没装就装一个Docker 镜像里已经内置。插件不生效插件默认禁用。先--list-plugins确认已安装转换时记得加--use-plugins。还查不到原因的翻一下 异常定义每种类都写明了触发条件。延伸入口挑一个手头最头疼的文件现在就用markitdown 文件 -o 输出.md转一次。想深入某个格式的实现直接读 转换器源码想自己加格式从 示例插件 改起。【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 MarkItDown 文档转换完整指南：11 种格式一键转 Markdown
MarkItDown 文档转换完整指南11 种格式一键转 Markdown【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/markitdownMarkItDown 是一个 Python 文档转换工具能把 PDF、Word、PPT、Excel 等 11 类文件转成 Markdown保留标题、列表、表格和链接。它替你省掉手写解析器的活直接产出可以喂给 LLM 的干净文本。三步跑通 MarkItDown 安装与第一次转换这一节给你一条最小可用路径装好环境装好包转出第一个文件。先建一个干净的虚拟环境再把 MarkItDown 装上。[all]会带上全部格式依赖新手直接用这个最省事。python -m venv .venv source .venv/bin/activate pip install markitdown[all]然后跑第一次转换。-o指定输出文件结果会写进document.md。markitdown test.pdf -o document.md打开document.md看一眼。标题是#开头表格还是 Markdown 表格说明结构保住了。能力全景11 类输入各保住了哪些结构这一节按输入类型分 4 组讲清转换后留下了什么。办公文档PDF、Word、PPT、Excel、Outlook 邮件保留标题层级、列表、表格、超链接。Excel 的每个 sheet 会分成独立区块。多媒体图片、音频、YouTube 视频图片提取 EXIF 元数据尺寸、作者、拍摄时间音频提取元数据并可做语音转录YouTube 拉取字幕文本。数据与网页HTML、CSV、JSON、XML、RSS、EPUB、Wikipedia网页转 Markdown 后保留正文结构和链接CSV 变成 Markdown 表格EPUB 按章节展开。其他ZIP 压缩包、纯文本ZIP 会逐个遍历内部文件分别转换纯文本按编码自动识别。内置的 20 多个转换器都在 源码目录每种格式一个文件想看某个格式怎么处理的直接翻对应文件。一条真实工作流从单文件到管道批量转换这一节用一个真实场景串起三种输入方式你有一批散落的报告想统一变成 Markdown 存进知识库。第一步直接转文件输出到终端。确认格式没问题markitdown report.pdf第二步用管道喂给它。这样任何上游工具的输出都能接进来不用先落盘cat report.pdf | markitdown第三步指定输出文件一条命令完成入库。-o参数比重定向更稳编码由程序自己按 UTF-8 写markitdown report.pdf -o report.md如果上游数据没有扩展名用-x给个提示比如cat data | markitdown -x csv转换器就能正确识别。按需装配可选依赖、插件与云文档智能核心包很轻重型格式能力靠 extras 按需加。不想全装时按下面清单挑[all]全部格式依赖[pptx][docx][xlsx][xls][pdf][outlook]对应 Office 与 PDF 格式[audio-transcription]wav、mp3 语音转录[youtube-transcription]YouTube 字幕[az-doc-intel][az-content-understanding]Azure 云端解析只装三个格式时一条命令就够pip install markitdown[pdf, docx, pptx]第三方插件默认是禁用的。先看装了哪些markitdown --list-plugins需要时加上-p启用。仓库里的 示例插件 展示了如何注册一个新格式照着改就能写自己的。云端解析适合扫描件和复杂版面。Document Intelligence 的用法markitdown scanned.pdf -o scanned.md -d -e document_intelligence_endpoint要更高保真的提取用 Azure Content Understanding它额外支持音频和视频还能把发票金额、日期这类字段抽成 YAML front mattermarkitdown invoice.pdf --use-cu --cu-endpoint content_understanding_endpoint代码里怎么用Python API 与 LLM 图像描述CLI 适合一次性转换要写进自己的管道就用 Python API。区别在于API 可以进程内调用还能传入 LLM 客户端、插件开关和云端点这些 CLI 给不了的配置。基本用法三行搞定from markitdown import MarkItDown md MarkItDown(enable_pluginsFalse) result md.convert(test.xlsx) print(result.text_content)图片本身没有文字靠 LLM 生成描述。传入llm_client和llm_model后转换图片时会多输出一段文字描述from markitdown import MarkItDown from openai import OpenAI client OpenAI() md MarkItDown(llm_clientclient, llm_modelgpt-4o) result md.convert(example.jpg) print(result.text_content)图一张典型测试图。接入 LLM 后MarkItDown 会把这类图片内容转成文字描述不传llm_client时图片只输出 EXIF 元数据不会报错。容器化部署用 Docker 直接跑 MarkItDown不想配 Python 环境时用仓库根目录的 Dockerfile 直接构建镜像。镜像基于 Python 3.13已内置 ffmpeg 和 exiftool音频转录和图片元数据开箱即用。在仓库根目录构建并运行docker build -t markitdown:latest . docker run --rm -i markitdown:latest your-file.pdf output.md输入走标准输入输出走标准输出方便直接嵌进for循环或 CI 任务里批量处理。适合谁、不适合谁划清使用边界这个工具为机器读设计不是为人看排版。先对号入座再决定用不用。适合的场景RAG 和向量库入库前的文档预处理给 LLM 喂上下文Markdown 省 token 且结构清晰批量把杂格式文件统一成一种文本格式需要程序化解析标题、表格等结构的文本分析管道不建议硬用的场景追求版面 1:1 还原的打印级转换输出是能读的文本不是能看的版式视频文件内置转换器不支持只有 Azure Content Understanding 能处理纯扫描件 PDF离线转换只能拿到很少的文字要走云端服务或 OCR 插件卡住了怎么办5 个高频坑与解法报错信息一般很直白这 5 个是最常踩的。报 MissingDependencyException装了核心包但没装对应格式依赖。报错会告诉你缺哪个 extras按提示装比如pip install markitdown[pdf]。管道输入转换失败从 stdin 读时没有扩展名程序猜不出类型。用-x给扩展名或-m给 MIME 类型。图片只有空元数据EXIF 提取依赖系统里的 exiftool 二进制图片描述依赖 LLM 客户端。两个都缺时输出自然很短。音频转不出文字语音转录依赖 ffmpeg系统没装就装一个Docker 镜像里已经内置。插件不生效插件默认禁用。先--list-plugins确认已安装转换时记得加--use-plugins。还查不到原因的翻一下 异常定义每种类都写明了触发条件。延伸入口挑一个手头最头疼的文件现在就用markitdown 文件 -o 输出.md转一次。想深入某个格式的实现直接读 转换器源码想自己加格式从 示例插件 改起。【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