markitdown：将文件和办公文档转为Markdown的Python工具

它与textract最相似（PDF转换Gemini 2.0做得最好），但重点是保留重要的文档结构和内容，如Markdown（包括：标题，列表，表格，链接等）。虽然输出通常是合理的外观和人性化的，但它旨在由文本分析工具使用-并且可能不是用于人类消费的高保真文档转换的最佳选择。

目前，MarkItDown支持：

• PDF
• PowerPoint
• word
• Excel
• 图像（EXIF元数据和OCR）
• 音频（EXIF元数据和语音转录）
• HTML
• 基于文本的格式（CSV、JSON、XML）
• ZIP文件（迭代内容）
• Youtube网址
• EPUBs
• ...还有更多！

为什么是Markdown？

Markdown非常接近纯文本，具有最少的标记或格式，但仍然提供了一种表示重要文档结构的方法。

主流的LLM，比如OpenAI的GPT-4 o，天生就“说”Markdown，并且经常在不提示的情况下将Markdown合并到他们的响应中。这表明他们已经接受了大量Markdown格式文本的培训，并且很好地理解了它。

作为一个附带的好处，Markdown约定也是高度令牌效率的。

安装
要安装MarkItDown，请使用pip：pip install 'markitdown[all]~=0.1.0a1'。或者，您可以从源代码安装它：

git clone git@github.com:microsoft/markitdown.git
cd markitdown
pip install -e packages/markitdown[all]