|
我们在日常工作中文档处理可以说占据了大部分工作内容，不管是我们企业内部的知识管理，还是个人的学习资料，我们想要把不同格式的文件转换为统一的、容易处理的格式毫无疑问是一件很棘手，让人头疼的事儿。 那么，今天我们要推荐的一款工具就能够帮大家解决这个问题，MarkItDown，一款由微软支持的开源项目，它不仅能够吧多种文件格式转换成Markdown，还特别针对大型语言模型（LLM）的应用进行了优化，成为了文档处理工具界的一个贤内助。 MarkItDown MCP服务支持丰富的文件格式支持，从常见的PDF、Word、Excel、PowerPoint到图像（支持OCR识别）、音频（支持转录）、HTML。 
再到基于文本的格式（如CSV、JSON、XML），甚至包括ZIP文件和YouTube链接，不管你是搞学术研究、商业报告还是自己研究个小项目，MarkItDown都能帮我们轻松应对。 Markdown格式的优势，两个字“简洁”，MarkItDown以简洁性和可读性著称，它与纯文本非常接近，但又提供了足够的结构化能力来表示文档的关键元素。 对于主流的大型语言模型（如OpenAI的GPT-4o），Markdown可以说是它们的“母语”，它们在大量Markdown格式的文本上进行了训练。 所以能够更好地理解和生成Markdown内容，这就让MarkItDown的输出不仅适合我们人工阅读，更是LLM的理想输入格式。 MarkItDown 如何安装使用？下面我们介绍一下MarkItDown的配置方法： 要安装 MarkItDown，可以使用pip：pip install 'markitdown[all]'。或者可以从源代码安装： gitclonegit@github.com:microsoft/markitdown.gitcdmarkitdownpipinstall-epackages/markitdown[all]
使用命令行markitdownpath-to-file.pdf>document.md
或者使用-o指定输出文件： markitdownpath-to-file.pdf-odocument.md 还可以通过管道传输内容： catpath-to-file.pdf|markitdown 可选依赖项，MarkItDown有可选依赖项，用于激活各种文件格式。在文档的前面，我们使用[all]选项安装了所有可选依赖项。也可以单独安装来获得更多控制。例如： pipinstallmarkitdown[pdf,docx,pptx] 将仅安装PDF、DOCX和PPTX文件的依赖项。 目前，以下可选依赖项可用： [all][pptx][docx][xlsx][xls][pdf][outlook][az-doc-intel]安装 Azure Document Intelligence 的依赖项；[audio-transcription][youtube-transcription]
插件方面，MarkItDown 还支持第三方插件，插件默认情况下是禁用的。用下面命令列出已安装的插件：要启用插件，请使用下面命令： markitdown--use-pluginspath-to-file.pdf 要查找可用插件，我们可以在GitHub上搜索标签#markitdown-plugin，要开发插件，可参考：
packages/markitdown-sample-plugin
Azure Document Intelligence，要使用 Microsoft Document Intelligence进行转换：markitdownpath-to-file.pdf-odocument.md-d-e"<document_intelligence_endpoint>" PythonAPI frommarkitdownimportMarkItDownmd=MarkItDown(enable_plugins=False)#设置为True以启用插件result=md.convert("test.xlsx")print(result.text_content)
在 Python 中进行 Document Intelligence 转换： frommarkitdownimportMarkItDownmd=MarkItDown(docintel_endpoint="<document_intelligence_endpoint>")result=md.convert("test.pdf")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)Docker dockerbuild-tmarkitdown:latest.dockerrun--rm-imarkitdown:latest<~/your-file.pdf>output.md 以上就是MarkItDown配置的全部内容，如果大家在学习过程中遇到问题，欢迎评论区留言讨论！
| 
