❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
🚀 快速阅读
- 功能：支持多种文件格式转换为 Markdown，包括 PDF、Office 文档、图像和音频等。
- 技术：具备 OCR 文字识别、语音转文字和元数据提取等技术。
- 应用：适用于文档归档、内容发布、数据挖掘和学术研究等场景。
正文（附运行示例）
MarkItDown 是什么
MarkItDown 是微软开源的多功能文档转换工具，能够将 PDF、PPT、Word、Excel、图像、音频、HTML 等多种格式的文件转换为 Markdown 格式。它支持 OCR 文字识别、语音转文字和元数据提取，适用于内容索引、数据挖掘、文档处理等场景。
MarkItDown 以开源免费、功能全面和开发者友好的特点，成为文档智能转换的利器。它极大地简化了文件处理流程，提升了工作效率。
MarkItDown 的主要功能
- 多格式文档转换：支持将 PDF、Office 文档（Word、Excel、PowerPoint）、图片、音频等多种文件格式自动转换为 Markdown 格式。
- 元数据提取：从图片中提取 EXIF 信息、从音频文件中提取元数据。
- OCR 文字识别：对图片和 PDF 文件进行光学字符识别（OCR），将图像中的文本内容转换为可编辑的文本格式。
- 语音转文字：支持从音频文件中提取语音内容并转换成文字，便于内容存档和分析。
- 简易 API：提供简单的 API 接口，开发者可以轻松地在 Python 项目中集成和使用 MarkItDown，进行文档转换。
MarkItDown 的技术原理
- 文件解析：使用不同的解析器读取和解析各种文件格式的内容。
- 文本提取与转换：对于文档类文件（如 Word、Excel、PowerPoint），将文档内容转换为纯文本，并保留结构化信息（如标题、列表等）以适应 Markdown 格式。对于图像文件，使用 OCR 技术识别图像中的文本，转换为文本格式。
- 元数据处理：对于图像和音频文件，提取 EXIF 元数据，包括文件的创建时间、作者、设备信息等。
- 语音转录：对于音频文件，使用语音识别技术将语音内容转录成文本。
如何运行 MarkItDown
命令行使用
markitdown path-to-file.pdf > document.md
你也可以通过管道传递内容：
cat path-to-file.pdf | markitdown
Python API 使用
基本用法：
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("test.xlsx")
print(result.text_content)
使用大型语言模型（LLM）进行图像描述：
from markitdown import MarkItDown
from openai import OpenAI
client = OpenAI()
md = MarkItDown(llm_client=client, llm_model="gpt-4o")
result = md.convert("example.jpg")
print(result.text_content)
Docker 使用
docker build -t markitdown:latest .
docker run --rm -i markitdown:latest < ~/your-file.pdf > output.md
资源
- 项目官网：https://github.com/microsoft/markitdown
- GitHub 仓库：https://github.com/microsoft/markitdown
- PyPI 安装：https://pypi.org/project/markitdown/
❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
