SuperAPI AI 工具集

markitdown

编程与开发

查看项目

更新于 10-15 23:42

技能介绍

用途:将多种文件格式转换为 Markdown,面向 LLM 与文本分析流程优化,保留标题、列表、表格、链接等结构。

主要能力: 文档:PDF、Word(DOCX)、PowerPoint(PPTX)、Excel(XLSX、XLS)。 媒体:图片(EXIF 与 OCR)、音频(WAV、MP3 转写)。 网页:HTML、YouTube URL、Wikipedia、RSS/Atom。 数据:CSV、JSON、XML、Jupyter Notebook(.ipynb)。 归档:ZIP(遍历内容)、EPub。 邮件:Outlook MSG。 另支持插件系统、MCP 服务器和 Docker。

使用方式: 安装:pip install 'markitdown[all]';也可按格式安装 pip install 'markitdown[pdf,docx,pptx]'。要求 Python >= 3.10。 命令行:markitdown document.pdf > output.md;markitdown document.pdf -o output.md;cat document.pdf | markitdown > output.md。 Python API:md = MarkItDown(); result = md.convert("document.xlsx"); print(result.text_content)。 可配置 llm_client、llm_model 用于图片描述,或 docintel_endpoint 使用 Azure Document Intelligence。 图片描述需提供 OPENAI_API_KEY,否则会静默回退到文件名。

适用场景:批量转换目录中的文档、为 LLM 准备上下文、抽取 YouTube 字幕或 Wikipedia 正文、解析 RSS、转换 Jupyter Notebook。

限制:DOCX 内嵌图片会提取为独立文件,Markdown 引用绝对路径,移动 Markdown 会破坏图片引用;PDF OCR 置信度不展示,低置信度文本仍按确定内容返回;XLSX 合并单元格会拆成空值单元格,破坏透视表列分组;HTML 会丢失 CSS 布局,复杂表格可能无法解析。插件安装情况可用 markitdown --list-plugins 检查。