microsoft/markitdown

What it solves

MarkItDown 是一个轻量级 Python 工具，旨在将各种文件格式转换为 Markdown。这特别针对大语言模型（LLMs）的使用与文本分析流程进行了优化，因为 Markdown 能在保持 Token 效率并被大多数主流 LLM 原生理解的同时，保留文档的重要结构（如标题、列表和表格）。

How it works

该工具提供了一个统一的接口，可以转换广泛的格式，包括 PDF、Word、PowerPoint、Excel、HTML、EPubs 以及文本格式（CSV、JSON、XML）。它可以本地运行，使用内置转换器，或与云端服务集成以获得更高精度的提取：

• Local Conversion: 使用 Python 库来从常见文档格式中提取内容。
• Azure Integration: 与 Azure Document Intelligence 和 Azure Content Understanding 集成，进行高级布局分析、OCR 和多模态提取（包括音频和视频）。
• LLM-powered OCR: 支持插件（如 markitdown-ocr）来使用 LLM Vision 从文档中嵌入的图像中提取文本。
• LLM Image Descriptions: 可以使用 LLM 客户端（如 OpenAI）来生成文件中的图像描述。

Who it’s for

开发者正在构建 RAG（检索增强生成）流程或文本分析工具，需要将非结构化文档转换为 LLM 可以高效处理的干净、结构化的文本格式。

Highlights

• Broad Format Support: 处理从 Office 文档、PDF 到 YouTube URL 和音频文件的一切内容。
• Multimodal Capabilities: 支持音频的语音转录和通过 LLM 进行图像描述。
• Extensible Architecture: 支持第三方插件来添加新的转换功能。
• Flexible Deployment: 提供 CLI 工具、Python API 或 Docker 镜像。
• Cloud-enhanced Extraction: 可选择性地与 Azure 服务集成，以处理复杂的表格、扫描的 PDFs、以及视频分析。