markitdown

microsoft markitdown

项目核心内容总结：
MarkItDown 是一个轻量级 Python 工具，用于将多种文件格式（如 PDF、Word、Excel、图片、音频、视频等）转换为 Markdown，便于 LLM 和文本分析工具使用。

主要功能与特性：

1. 支持格式：PDF、PPT、Word、Excel、图片（含 OCR）、音频（含语音转文字）、HTML、文本格式（CSV/JSON/XML）、ZIP、YouTube 视频转录、EPub 等。
2. 保留结构：转换时保留文档结构（如标题、列表、表格、链接等），适合 LLM 处理。
3. 可选依赖：通过 [pdf]、[docx] 等标签安装特定格式支持，或使用 [all] 安装全部依赖。
4. 插件系统：支持第三方插件，可通过 --use-plugins 启用。
5. Azure 集成：支持 Azure 文档智能服务进行转换。
6. LLM 集成：可结合大模型（如 GPT-4o）生成图像描述。

使用方法：

• 命令行：markitdown 文件路径 > 输出.md 或使用 -o 指定输出文件。
• Python API：通过 MarkItDown 类调用，支持参数如 llm_client、docintel_endpoint 等。
• Docker：构建镜像后运行容器处理文件。

安装方式：

• pip install 'markitdown[all]' 或从源码安装。

注意事项：

• 0.1.0 版本后依赖分组管理，需用 [all] 保持兼容性；convert_stream() 仅支持二进制文件对象；DocumentConverter 接口调整，需更新插件代码。