microsoft/markitdown

What it solves

MarkItDown 是一個輕量級的 Python 工具，旨在將各種檔案格式轉換為 Markdown。這特別針對大型語言模型（LLMs）的使用與文字分析流程進行了優化，因為 Markdown 能在保持 Token 效率並被大多數主流 LLM 原生理解的同時，保留文件的重要結構（如標題、列表和表格）。

How it works

該工具提供了一個統一的介面，可轉換廣泛的格式，包括 PDF、Word、PowerPoint、Excel、HTML、EPubs 以及文字格式（CSV、JSON、XML）。它可以透過內建的轉換器在本地端運行，或與雲端服務整合以獲得更高精度的提取：

• Local Conversion: 使用 Python 函式庫來從常見的文件格式中提取內容。
• Azure Integration: 與 Azure Document Intelligence 和 Azure Content Understanding 整合，進行進階的佈局分析、OCR 與多模態提取（包括音訊與影片）。
• LLM-powered OCR: 支援插件（如 markitdown-ocr）來使用 LLM Vision 從文件中嵌入的圖片中提取文字。
• LLM Image Descriptions: 可以使用 LLM 客戶端（例如 OpenAI）來為文件中的圖片生成描述。

Who it’s for

開發人員正在構建 RAG（檢索增強生成）流程或文字分析工具，需要將非結構化文件轉換為 LLM 可以高效處理的乾淨、結構化文字格式。

Highlights

• Broad Format Support: 處理從 Office 文件、PDF 到 YouTube URL 與音訊檔案的一切內容。
• Multimodal Capabilities: 支援音訊的語音轉錄與透過 LLM 進行圖片描述。
• Extensible Architecture: 允許第三方插件來增加新的轉換功能。
• Flexible Deployment: 提供 CLI 工具、Python API 或 Docker 映像檔。
• Cloud-enhanced Extraction: 可選擇性地與 Azure 服務整合，以處理複雜的表格、掃描的 PDF 與影片分析。"},