微软开源MarkitDown，RAG文档解析就这么解决了~

RAG有这么一个说法：“垃圾进，垃圾出”，文档解析与处理以获取高质量数据至关重要。近期，微软开源了MarkItDown，一款将各种文件转换为 Markdown 的实用程序（用于索引、文本分析等）。

https://x.com/shao__meng/status/1867348058662744236

MarkItDown支持：

• PDF
• PPT
• Word
• Excel
• 图像（EXIF 元数据和 OCR）
• 音频（EXIF 元数据和语音转录）
• HTML
• 基于文本的格式（CSV、JSON、XML）
• ZIP 文件

MarkItDown使用

使用 pip: pip install markitdown。或者，从源代码安装它：pip install -e .

Python中的基本用法：

frommarkitdownimportMarkItDownmd=MarkItDown()result=md.convert("test.xlsx")print(result.text_content)

要使用大型语言模型进行图像描述，请提供llm_client和llm_model：

frommarkitdownimportMarkItDownfromopenaiimportOpenAIclient=OpenAI()md=MarkItDown(llm_client=client,llm_model="gpt-4o")result=md.convert("example.jpg")print(result.text_content)

MarkItDown试用

https://www.html.zone/markitdown/

https://github.com/microsoft/markitdown