SuperAPI AI 工具集

markitdown

通用与其它

查看项目

更新于 10-16 05:51

技能介绍

用途:MarkItDown 是 Python 工具,把多种文件格式转成简洁、省 token 的 Markdown,便于大语言模型与文本分析流程使用,保留标题、列表、表格和超链接等结构。

主要能力:文档转换支持 PDF、DOCX、PPTX、XLSX、XLS;媒体处理支持图片 OCR(含 EXIF 元数据)与音频语音转写(需 speech_recognition);网页内容支持 HTML、YouTube 字幕、EPUB、RSS;结构化数据支持 CSV、JSON、XML,可转成 Markdown 表格;支持 ZIP 批量转换。可选集成 Azure Document Intelligence 提升 PDF 表格与版面分析,或用 GPT-4o 生成图片描述。

使用方式:安装全量功能用 pip install 'markitdown[all]',也可按需安装,如 pip install 'markitdown[pdf]'、'[docx]'、'[pptx]'、'[xlsx]'、'[audio]'、'[youtube]'。Python 调用示例:from markitdown import MarkItDown; md = MarkItDown(); result = md.convert("document.pdf"); print(result.text_content)。命令行:markitdown document.pdf -o output.md。批量脚本:python scripts/batch_convert.py /path/to/documents /path/to/output。

适用场景:为 RAG 准备知识库文档、从 Office 与 PDF 抽取文本、图片 OCR、音频转写、YouTube 字幕提取、把结构化数据转为可读表格,以及批量目录转换。

限制:需要 Python 3.10 或更高版本;音频转写需额外依赖;Azure Document Intelligence 与 LLM 图片描述需自行提供端点、密钥或客户端;插件默认出于安全考虑被禁用,需 enable_plugins=True 开启。其他收费、价格等信息暂未提供。