MarkItDown 使用指南一条命令将 10 余种办公文档转为 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/markitdown把一沓 PDF 论文、Word 报告和 Excel 报表喂给大模型之前通常要先手动导出文本标题、表格、列表这些结构基本都会丢。MarkItDown 是微软 AutoGen 团队开发的 Python 工具把这些文件直接转成保留结构的 Markdown命令行或 Python API 均可调用。项目要求 Python 3.10 以上输出面向文本分析和 LLM 消费而非高保真的人类阅读排版。MarkItDown 支持哪些文档格式内置转换器覆盖办公文档与网页类格式多格式依赖通过 extras 按需安装输入类型转换行为PDF提取正文保留标题与表格结构Word / PPT / Exceldocx、pptx、xlsx、xls解析文档对象输出对应 Markdown 结构图片读取 EXIF 元数据可接 LLM 生成图片描述音频wav、mp3 等元数据 语音转文字需 audio-transcription 依赖HTML / CSV / JSON / XML转为表格、列表等 Markdown 表示ZIP / EPub遍历包内文件逐个转换YouTube 链接抓取视频字幕文本MarkItDown 安装命令建议先建虚拟环境再用 pip 安装完整功能pip install markitdown[all]也可以从源码安装git clone https://gitcode.com/GitHub_Trending/ma/markitdown cd markitdown pip install -e packages/markitdown[all]一行命令把文件转成 Markdown命令行是最短路径markitdown path-to-file.pdf -o document.md也可以用管道方便接进脚本cat path-to-file.pdf | markitdown输出的 Markdown 用轻量标记表达标题、表格和链接token 开销较低适合直接拼进 LLM 上下文。环境只需要少数格式时按 extras 精简安装能少装很多依赖pip install markitdown[pdf, docx, pptx]容器场景可用仓库根目录的 Dockerfile 构建镜像docker run --rm -i markitdown:latest report.pdf out.md在 Python 代码中集成 MarkItDownfrom markitdown import MarkItDown md MarkItDown() result md.convert(test.xlsx) print(result.text_content)核心实现在 packages/markitdown/ 下每种格式对应converters/目录里的一个模块。官方还提醒在不可信环境中应校验输入并优先调用convert_local()、convert_stream()这类最窄的转换接口而不是泛用的convert()。进阶LLM 图片描述与云增强转换传入llm_client后图片与 PPT 内嵌图片会由 LLM 自动生成文字描述上图是仓库测试用例中用来验证这一能力的样例图md MarkItDown(llm_clientclient, llm_modelgpt-4o) result md.convert(photo.jpg)markitdown-ocr 插件把同一套 LLM 视觉能力扩展到 PDF、DOCX、PPTX、XLSX 的嵌入图片不引入新的 ML 二进制依赖源码见 packages/markitdown-ocr/。需要更高提取质量时可接入 AzureDocument Intelligence 在命令行加-d -e endpoint启用Content Understanding 额外支持音频和视频还能把发票金额、日期等字段以 YAML front matter 形式输出在 Markdown 头部适合做结构化字段抽取。插件生态与社区贡献插件默认关闭用markitdown --list-plugins查看已安装项--use-plugins启用转换仓库还内置了 MCP 服务包 packages/markitdown-mcp插件开发可参考 packages/markitdown-sample-plugin/ 示例社区插件可在 GitHub 搜索 #markitdown-plugin 标签查找。贡献走 issue 和 PR标注 open for contribution 的条目适合新手入手本地开发在 packages/markitdown 下用hatch test跑测试即可。回到开头那沓 PDF跑一遍 MarkItDown得到的就是保留标题和表格结构的 Markdown 文件可以直接进检索库或 LLM 上下文。工具本身很薄复杂版式的提取质量仍取决于具体文档扫描件建议配合 OCR 插件或云增强转换使用。【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 MarkItDown 使用指南：一条命令将 10 余种办公文档转为 Markdown
MarkItDown 使用指南一条命令将 10 余种办公文档转为 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/markitdown把一沓 PDF 论文、Word 报告和 Excel 报表喂给大模型之前通常要先手动导出文本标题、表格、列表这些结构基本都会丢。MarkItDown 是微软 AutoGen 团队开发的 Python 工具把这些文件直接转成保留结构的 Markdown命令行或 Python API 均可调用。项目要求 Python 3.10 以上输出面向文本分析和 LLM 消费而非高保真的人类阅读排版。MarkItDown 支持哪些文档格式内置转换器覆盖办公文档与网页类格式多格式依赖通过 extras 按需安装输入类型转换行为PDF提取正文保留标题与表格结构Word / PPT / Exceldocx、pptx、xlsx、xls解析文档对象输出对应 Markdown 结构图片读取 EXIF 元数据可接 LLM 生成图片描述音频wav、mp3 等元数据 语音转文字需 audio-transcription 依赖HTML / CSV / JSON / XML转为表格、列表等 Markdown 表示ZIP / EPub遍历包内文件逐个转换YouTube 链接抓取视频字幕文本MarkItDown 安装命令建议先建虚拟环境再用 pip 安装完整功能pip install markitdown[all]也可以从源码安装git clone https://gitcode.com/GitHub_Trending/ma/markitdown cd markitdown pip install -e packages/markitdown[all]一行命令把文件转成 Markdown命令行是最短路径markitdown path-to-file.pdf -o document.md也可以用管道方便接进脚本cat path-to-file.pdf | markitdown输出的 Markdown 用轻量标记表达标题、表格和链接token 开销较低适合直接拼进 LLM 上下文。环境只需要少数格式时按 extras 精简安装能少装很多依赖pip install markitdown[pdf, docx, pptx]容器场景可用仓库根目录的 Dockerfile 构建镜像docker run --rm -i markitdown:latest report.pdf out.md在 Python 代码中集成 MarkItDownfrom markitdown import MarkItDown md MarkItDown() result md.convert(test.xlsx) print(result.text_content)核心实现在 packages/markitdown/ 下每种格式对应converters/目录里的一个模块。官方还提醒在不可信环境中应校验输入并优先调用convert_local()、convert_stream()这类最窄的转换接口而不是泛用的convert()。进阶LLM 图片描述与云增强转换传入llm_client后图片与 PPT 内嵌图片会由 LLM 自动生成文字描述上图是仓库测试用例中用来验证这一能力的样例图md MarkItDown(llm_clientclient, llm_modelgpt-4o) result md.convert(photo.jpg)markitdown-ocr 插件把同一套 LLM 视觉能力扩展到 PDF、DOCX、PPTX、XLSX 的嵌入图片不引入新的 ML 二进制依赖源码见 packages/markitdown-ocr/。需要更高提取质量时可接入 AzureDocument Intelligence 在命令行加-d -e endpoint启用Content Understanding 额外支持音频和视频还能把发票金额、日期等字段以 YAML front matter 形式输出在 Markdown 头部适合做结构化字段抽取。插件生态与社区贡献插件默认关闭用markitdown --list-plugins查看已安装项--use-plugins启用转换仓库还内置了 MCP 服务包 packages/markitdown-mcp插件开发可参考 packages/markitdown-sample-plugin/ 示例社区插件可在 GitHub 搜索 #markitdown-plugin 标签查找。贡献走 issue 和 PR标注 open for contribution 的条目适合新手入手本地开发在 packages/markitdown 下用hatch test跑测试即可。回到开头那沓 PDF跑一遍 MarkItDown得到的就是保留标题和表格结构的 Markdown 文件可以直接进检索库或 LLM 上下文。工具本身很薄复杂版式的提取质量仍取决于具体文档扫描件建议配合 OCR 插件或云增强转换使用。【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