SuperAPI AI 工具集

markitdown

通用与其它

查看项目

更新于 10-16 06:45

技能介绍

MarkItDown 是一个 Python 实用工具,用于将多种文件格式转换为 Markdown,输出面向大语言模型和文本分析流程优化,会保留标题、列表、表格、超链接等文档结构,并尽量输出简洁、token 高效的 Markdown。适合把文档转成 Markdown、从 PDF/Word/PowerPoint/Excel 提取文本、对图片做 OCR、转写音频、提取 YouTube 字幕、处理 HTML/EPUB/网页内容、把 CSV/JSON/XML 转成可读表格,以及批处理多文件或 ZIP 压缩包,为 LLM 分析或 RAG 系统准备文档。

主要能力包括:文档转换(PDF、DOCX、PPTX、XLSX/XLS);媒体处理(图片 OCR 与 EXIF 元数据、音频语音转写,需 speech_recognition);网页内容提取(HTML、网页、YouTube 字幕、EPUB、RSS);结构化数据转换(CSV、JSON、XML 转为 Markdown 表格);高级集成(Azure Document Intelligence 增强 PDF 处理,以及用 LLM 生成图片描述);批处理(转换整个 ZIP 或目录,提供 batch_convert.py 脚本)。

基本用法:Python 中 from markitdown import MarkItDown,md = MarkItDown(),result = md.convert("document.pdf"),再读取 result.text_content;命令行可用 markitdown document.pdf -o output.md。音频转写与图片 OCR 同样通过 convert 读取 text_content;YouTube 字幕可直接传入视频 URL。批处理示例:python scripts/batch_convert.py /path/to/documents /path/to/output。

安装支持全量或按功能模块:uv pip install 'markitdown[all]';也可分别安装 'markitdown[pdf]'、'markitdown[docx]'、'markitdown[pptx]'、'markitdown[xlsx]'、'markitdown[audio]'、'markitdown[youtube]'。要求 Python 3.10 或更高版本。输出保留标题、列表、表格、超链接与相关元数据(EXIF、文档属性),采用流式方式,不创建临时文件。插件系统默认出于安全考虑禁用,需要时可 MarkItDown(enable_plugins=True)。资料未提供具体收费、价格与效果指标信息。