MarkItDown 完整上手指南：一条命令，10 余种格式转成 Markdown

MarkItDown 完整上手指南一条命令10 余种格式转成 Markdown【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdownMarkItDown 是微软开源的 Python 文档转换工具输入 PDF、Word、Excel、PPT 或图片、音频输出保留标题、列表、表格结构的 Markdown供 LLM 和文本分析管道直接消费。一份三页的 PDF 维修账单过去要手动截图、誊数字现在跑一条命令几十秒后你拿到的是一份带表格的 Markdown客户信息、工时、税率、总计各归其位。这就是 MarkItDown 做的事把格式五花八门的输入压成模型直接能读的一种输出。 MarkItDown 能力速览支持哪些输入格式输入格式输出效果适用对象PDF含多页、表格正文 Markdown 表格标题层级保留报告、发票、论文喂 RAGDOCX / PPTX / XLSX / XLS段落、列表、表格结构保留Office 文档批量化处理图片jpg/png 等EXIF 元数据接 LLM 可生成图像描述素材库、演示稿插图音频wav/mp3 等语音转写成文本附元数据会议录音、口述材料HTML / CSV / JSON / EPub / ZIP / 网页清洗后 MarkdownZIP 逐文件递归爬虫数据、混合压缩包每种格式背后是独立的转换器convert()会结合文件内容自动识别类型并路由不用你手动指定格式。 MarkItDown 安装教程一条命令出结果pip install markitdown[all] markitdown report.pdf -o report.md要求 Python 3.10。[all]装全部可选依赖只用部分格式时按组安装更轻比如pip install markitdown[pdf,docx,pptx]。Python API 同样三行内搞定实例化MarkItDown()调用convert(test.xlsx)从返回结果的.text_content取 Markdown。另外支持管道输入cat a.pdf | markitdown仓库根目录的 Dockerfile 可以直接构建镜像跑docker run。 功能精选3 个值得知道的设计结构优先但不做像素还原。内置转换器统一以保留结构为目标Word 的标题层级、Excel 的行列、PDF 的表格都映射到对应 Markdown 语法而不是压成一坨纯文本。README 里也明说了它的定位——输出主要服务于文本分析工具若要高保真排版还原转完建议人工校对一遍。自动识别 插件注册机制。格式识别不靠扩展名硬猜底层用魔数检测判断文件内容第三方转换器通过 entry point 挂进来markitdown --list-plugins列出已装插件加-p参数启用。想自己写转换器仓库里的 packages/markitdown-sample-plugin 就是一个最小样例照抄结构即可。LLM 图像描述与 OCR 走同一条通道。给MarkItDown传入llm_client和llm_model图片文件会附带 LLM 生成的文字描述装上 markitdown-ocr 插件后PDF、DOCX、PPTX、XLSX 里嵌入的图片也能走同一套 LLM Vision 做 OCR不用额外引入 OCR 库。from markitdown import MarkItDown from openai import OpenAI md MarkItDown(enable_pluginsTrue, llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(with_images.pdf).text_content) 实战多页 PDF 账单转成带表格的 Markdown仓库测试目录里躺着一份多页维修账单样例packages/markitdown/tests/test_files/REPAIR-2022-INV-001_multipage.pdf直接拿它试markitdown REPAIR-2022-INV-001_multipage.pdf -o estimate.md输出里有两张 Markdown 表格一张并排放客户保单信息和车辆信息VIN、里程、车型另一张是费用明细——零件 2100、两项工时合计 525、材料费 90再到 10.20% 的税和 GRAND TOTAL 5,738。数字一个不少且能被脚本直接解析做对账。论文类 PDF 同理上面这种标题、作者行、图表、脚注齐全的学术页转出来是层级标题加图片占位加正文参考文献和脚注也不会丢。⚠️ 避坑指南扫描版 PDF、编码与安全扫描版 PDF 转出来是空的。内置 PDF 转换依赖文本层纯图片扫描件没有可选文字要么上 markitdown-ocr 配 LLM 客户端要么走 Azure Content UnderstandingCLI 加--use-cu用云端 OCR。乱码先查编码。输出统一按 UTF-8 写文件终端显示异常时先用-o落盘再用编辑器打开源文本文件非 UTF-8 编码的用--charset给个提示。服务器场景别裸用 convert()。它接受本地文件也接受远程 URL且以当前进程权限执行 I/O。对外服务建议改用更窄的convert_local()并在调用前校验输入。结尾MarkItDown 把多格式文档喂给 LLM这一步收敛成了一条命令装好、转换、校对十分钟能跑通第一个文件。下一步执行pip install markitdown[all]把你手头任意一份 Office 文档或 PDF 转成 Markdown重点检查表格保留得如何。需要源码的话git clone https://gitcode.com/GitHub_Trending/ma/markitdown然后pip install -e packages/markitdown[all]即可本地开发。【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考