MarkItDown：微软开源的多格式转Markdown工具，支持将PDF、Word、图像和音频等文件转换为Markdown格式

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

1. 功能：支持多种文件格式转换为 Markdown，包括 PDF、Office 文档、图像和音频等。
2. 技术：具备 OCR 文字识别、语音转文字和元数据提取等技术。
3. 应用：适用于文档归档、内容发布、数据挖掘和学术研究等场景。

正文（附运行示例）

MarkItDown 是什么

MarkItDown 是微软开源的多功能文档转换工具，能够将 PDF、PPT、Word、Excel、图像、音频、HTML 等多种格式的文件转换为 Markdown 格式。它支持 OCR 文字识别、语音转文字和元数据提取，适用于内容索引、数据挖掘、文档处理等场景。

MarkItDown 以开源免费、功能全面和开发者友好的特点，成为文档智能转换的利器。它极大地简化了文件处理流程，提升了工作效率。

MarkItDown 的主要功能

• 多格式文档转换：支持将 PDF、Office 文档（Word、Excel、PowerPoint）、图片、音频等多种文件格式自动转换为 Markdown 格式。
• 元数据提取：从图片中提取 EXIF 信息、从音频文件中提取元数据。
• OCR 文字识别：对图片和 PDF 文件进行光学字符识别（OCR），将图像中的文本内容转换为可编辑的文本格式。
• 语音转文字：支持从音频文件中提取语音内容并转换成文字，便于内容存档和分析。
• 简易 API：提供简单的 API 接口，开发者可以轻松地在 Python 项目中集成和使用 MarkItDown，进行文档转换。

MarkItDown 的技术原理

• 文件解析：使用不同的解析器读取和解析各种文件格式的内容。
• 文本提取与转换：对于文档类文件（如 Word、Excel、PowerPoint），将文档内容转换为纯文本，并保留结构化信息（如标题、列表等）以适应 Markdown 格式。对于图像文件，使用 OCR 技术识别图像中的文本，转换为文本格式。
• 元数据处理：对于图像和音频文件，提取 EXIF 元数据，包括文件的创建时间、作者、设备信息等。
• 语音转录：对于音频文件，使用语音识别技术将语音内容转录成文本。

如何运行 MarkItDown

命令行使用

markitdown path-to-file.pdf > document.md

你也可以通过管道传递内容：

cat path-to-file.pdf | markitdown

Python API 使用

基本用法：

from markitdown import MarkItDown

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

使用大型语言模型（LLM）进行图像描述：

from markitdown import MarkItDown
from openai import OpenAI

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

Docker 使用

docker build -t markitdown:latest .
docker run --rm -i markitdown:latest < ~/your-file.pdf > output.md

资源

• 项目官网：https://github.com/microsoft/markitdown
• GitHub 仓库：https://github.com/microsoft/markitdown
• PyPI 安装：https://pypi.org/project/markitdown/

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦