MarkItDown 零配置上手一条命令把 PDF、Word、Excel 转成 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周五下午PDF 报告、Word 纪要、Excel 表格堆在桌上你只想把它们变成一份能喂给大模型的 Markdown。MarkItDown 正是干这个的微软开源的 Python 工具一条命令把文档转成 Markdown。第一次听说它的人看三分钟就够。30 秒认识它MarkItDown 是微软AutoGen 团队开源的 Python 包加命令行工具核心任务就一件事把各种文件转成干净的 Markdown。它最不可替代的地方在于统一出口——PDF、Word、Excel、PPT、图片、音频、HTML、CSV、ZIP、YouTube 链接等几十种格式全部收敛成同一种文本标题层级、表格、链接这些结构还能保留下来输出可以直接进 RAG 索引或者丢给大模型做分析。想象一下早上九点收到供应商发来的六种格式附件中午前你就有一份结构完整的 Markdown 汇总。环境搭建与首次运行要求 Python 3.10 及以上然后两步走完pip install markitdown[all] # [all] 会装齐各格式依赖 markitdown report.pdf -o report.md跑通之后你会得到一个.md文件内容就是原文档的文字和结构没有多余噪音。功能实战日常高频场景就三类办公三件套、PDF 长文档、带图的素材。 ### 把 Word、Excel、PPT 变成 Markdown三条命令覆盖最常见的办公格式markitdown report.docx -o report.md # Word 保留标题层级 markitdown data.xlsx -o data.md # Excel 变 Markdown 表格 markitdown 季度汇报.pptx -o slides.md # PPT 逐页输出标题、列表、表格都会按原结构映射到 Markdown喂给 LLM 时上下文顺序不乱。 ### 处理 PDF 长文档PDF 走的是本地解析纯文本文档转换极快超大文件可以走流式输入避免整文件读进内存markitdown paper.pdf paper.md # 直接重定向输出 cat 超长文档.pdf | markitdown out.md # 流式输入省内存下面是测试集里一份学术论文 PDF 的首页它的标题、作者、图表说明都能被完整抽出来️ ### 让图片里的字开口说话图片转换分两层装了exiftool就先提取拍摄元数据再挂一个多模态 LLM比如 gpt-4o自动生成画面描述插进 Markdown 里from markitdown import MarkItDown from openai import OpenAI md MarkItDown(llm_clientOpenAI(), llm_modelgpt-4o) result md.convert(chart.jpg) # 图片转成带描述的 Markdown print(result.markdown)左边这张红圆加蓝方块的测试图就是给这个功能用的转出来的 Markdown 会包含对画面内容和文字的直接描述。音频mp3/wav、HTML、CSV、RSS 这些格式同理一条markitdown 文件就能出结果这里就不展开了。进阶与定制 ### 给扫描件装上一双 OCR 眼睛内置 PDF 解析只读文字层纯图片扫描件得靠 LLM Vision。官方的 OCR 插件会先把文档里的图片抠出来发给多模态模型再把文字按原位置插回去扫描件整页 300 DPI 渲染后走同样的流程from markitdown import MarkItDown from openai import OpenAI md MarkItDown(enable_pluginsTrue, llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(扫描发票.pdf).markdown)接上 Azure 云端服务对复杂表格或高要求场景可以把提取环节交给 Azure 文档智能或内容理解服务命令行加两个参数即可markitdown 复杂表格.xlsx -d -e endpoint或--use-cu --cu-endpoint endpoint走内容理解还能指定 analyzer 做字段级结构化抽取。 ### 写个批量转换脚本CLI 面向单文件批量就套个循环for f in *.pdf; do markitdown $f -o ${f%.pdf}.md; done避坑与边界几个我自己踩过、提前说能帮你省时间的点离线转换只读文字层。纯扫描的 PDF 转出来是空的或只有零星字别怪工具换 OCR 插件或 docintel 再说。输出是给 AI 看的不是给排版看的。跨页合并表格、多层嵌套布局会退化别拿它替代 PDF 阅读器。它用当前进程的权限做 I/O和open()一个待遇。处理不受信任的输入时先做校验Python 侧尽量用convert_local()这种最窄的接口别直接convert()一个来路不明的 URL。几百页塞满高清图的大 PDF 比较吃内存建议先拆页再跑。项目坐标想改代码的话转换器都在 converters 目录每种格式一个文件命名一目了然写自己的格式支持可参考 示例插件源码安全边界说明在 base converter。周五那堆格式各异的文档现在一条命令就能喂给大模型markitdown report.pdf -o report.md【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 零配置上手：一条命令把 PDF、Word、Excel 转成 Markdown
MarkItDown 零配置上手一条命令把 PDF、Word、Excel 转成 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周五下午PDF 报告、Word 纪要、Excel 表格堆在桌上你只想把它们变成一份能喂给大模型的 Markdown。MarkItDown 正是干这个的微软开源的 Python 工具一条命令把文档转成 Markdown。第一次听说它的人看三分钟就够。30 秒认识它MarkItDown 是微软AutoGen 团队开源的 Python 包加命令行工具核心任务就一件事把各种文件转成干净的 Markdown。它最不可替代的地方在于统一出口——PDF、Word、Excel、PPT、图片、音频、HTML、CSV、ZIP、YouTube 链接等几十种格式全部收敛成同一种文本标题层级、表格、链接这些结构还能保留下来输出可以直接进 RAG 索引或者丢给大模型做分析。想象一下早上九点收到供应商发来的六种格式附件中午前你就有一份结构完整的 Markdown 汇总。环境搭建与首次运行要求 Python 3.10 及以上然后两步走完pip install markitdown[all] # [all] 会装齐各格式依赖 markitdown report.pdf -o report.md跑通之后你会得到一个.md文件内容就是原文档的文字和结构没有多余噪音。功能实战日常高频场景就三类办公三件套、PDF 长文档、带图的素材。 ### 把 Word、Excel、PPT 变成 Markdown三条命令覆盖最常见的办公格式markitdown report.docx -o report.md # Word 保留标题层级 markitdown data.xlsx -o data.md # Excel 变 Markdown 表格 markitdown 季度汇报.pptx -o slides.md # PPT 逐页输出标题、列表、表格都会按原结构映射到 Markdown喂给 LLM 时上下文顺序不乱。 ### 处理 PDF 长文档PDF 走的是本地解析纯文本文档转换极快超大文件可以走流式输入避免整文件读进内存markitdown paper.pdf paper.md # 直接重定向输出 cat 超长文档.pdf | markitdown out.md # 流式输入省内存下面是测试集里一份学术论文 PDF 的首页它的标题、作者、图表说明都能被完整抽出来️ ### 让图片里的字开口说话图片转换分两层装了exiftool就先提取拍摄元数据再挂一个多模态 LLM比如 gpt-4o自动生成画面描述插进 Markdown 里from markitdown import MarkItDown from openai import OpenAI md MarkItDown(llm_clientOpenAI(), llm_modelgpt-4o) result md.convert(chart.jpg) # 图片转成带描述的 Markdown print(result.markdown)左边这张红圆加蓝方块的测试图就是给这个功能用的转出来的 Markdown 会包含对画面内容和文字的直接描述。音频mp3/wav、HTML、CSV、RSS 这些格式同理一条markitdown 文件就能出结果这里就不展开了。进阶与定制 ### 给扫描件装上一双 OCR 眼睛内置 PDF 解析只读文字层纯图片扫描件得靠 LLM Vision。官方的 OCR 插件会先把文档里的图片抠出来发给多模态模型再把文字按原位置插回去扫描件整页 300 DPI 渲染后走同样的流程from markitdown import MarkItDown from openai import OpenAI md MarkItDown(enable_pluginsTrue, llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(扫描发票.pdf).markdown)接上 Azure 云端服务对复杂表格或高要求场景可以把提取环节交给 Azure 文档智能或内容理解服务命令行加两个参数即可markitdown 复杂表格.xlsx -d -e endpoint或--use-cu --cu-endpoint endpoint走内容理解还能指定 analyzer 做字段级结构化抽取。 ### 写个批量转换脚本CLI 面向单文件批量就套个循环for f in *.pdf; do markitdown $f -o ${f%.pdf}.md; done避坑与边界几个我自己踩过、提前说能帮你省时间的点离线转换只读文字层。纯扫描的 PDF 转出来是空的或只有零星字别怪工具换 OCR 插件或 docintel 再说。输出是给 AI 看的不是给排版看的。跨页合并表格、多层嵌套布局会退化别拿它替代 PDF 阅读器。它用当前进程的权限做 I/O和open()一个待遇。处理不受信任的输入时先做校验Python 侧尽量用convert_local()这种最窄的接口别直接convert()一个来路不明的 URL。几百页塞满高清图的大 PDF 比较吃内存建议先拆页再跑。项目坐标想改代码的话转换器都在 converters 目录每种格式一个文件命名一目了然写自己的格式支持可参考 示例插件源码安全边界说明在 base converter。周五那堆格式各异的文档现在一条命令就能喂给大模型markitdown report.pdf -o report.md【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