MarkItDown

项目简介

MarkItDown 是轻量级 Python 工具，用于将多种文件转换为 Markdown，面向 LLM 及相关文本分析流程。它重点保留标题、列表、表格和链接等重要文档结构与内容；输出更适合文本分析工具，而非面向人工阅读的高保真文档转换。

核心功能

• 支持从 PDF、PowerPoint、Word、Excel、图片、音频、HTML、CSV、JSON、XML 等文本类格式、ZIP 文件、YouTube URL 和 EPub 进行转换。
• 在 Markdown 输出中尽量保留标题、列表、表格和链接等重要文档结构与内容。
• 提供命令行界面和 Python API，并可按格式安装可选依赖。
• 支持第三方插件，插件默认禁用，可扩展转换能力。
• 可选集成 Azure Content Understanding 和 Azure Document Intelligence，用于更高质量的云端转换和结构化字段提取。
• 可使用 LLM 为 PPTX 和图片文件生成图像描述。

适用场景

• 为基于 LLM 的文本分析和 RAG 工作流准备 Markdown 格式的文档与媒体内容。
• 将办公文档、PDF 和网页内容转换为结构化文本。
• 从图片、音频及其他受支持格式中提取文本和元数据，供下游分析使用。
• 将文档转换集成到 Python 应用或命令行工作流中。

快速开始

• 需要 Python 3.10 至 3.14；建议使用虚拟环境。
• 可通过 pip install 'markitdown[all]' 安装，也可按需安装 pdf、docx、pptx 等格式对应的可选依赖。
• 在命令行中运行 markitdown path-to-file.pdf 转换文件，可用 -o 指定输出文件，也可将内容通过管道传给 markitdown。
• 在 Python 中创建 MarkItDown，调用 convert 处理文件，并输出 result.markdown。

部署与要求

• 需要 Python 3.10 至 3.14。
• 支持 Docker 部署：构建镜像后，将输入重定向到容器运行。
• 可选的 Azure Document Intelligence 转换需要端点和凭据，可使用 AZURE_API_KEY 或 DefaultAzureCredential。
• 可选的 Azure Content Understanding 转换需要 Content Understanding 端点。

采用前须知

• 许可证：MIT。在使用、修改或分发项目前，请确认其具体条款。