136 lines
2.7 KiB
Markdown
136 lines
2.7 KiB
Markdown
---
|
|
categories:
|
|
- '[[LLM Wiki]]'
|
|
tags:
|
|
- wiki
|
|
- concept
|
|
- concept/technology
|
|
- Python
|
|
- 文件转换
|
|
- Markdown
|
|
- 微软
|
|
- 文档处理
|
|
- LLM
|
|
created: '2026-04-14'
|
|
source: https://github.com/microsoft/markitdown
|
|
type: concept
|
|
aliases:
|
|
- MarkItDown
|
|
confidence: 3
|
|
status: active
|
|
last_reviewed: '2026-07-01'
|
|
review_interval_days: 180
|
|
---
|
|
|
|
# MarkItDown
|
|
|
|
## 概述
|
|
|
|
MarkItDown 是微软开源的 Python 工具，用于将各种文件格式转换为 Markdown，特别适合 LLM 和文本分析场景。
|
|
|
|
## 支持格式
|
|
|
|
| 类别 | 格式 |
|
|
|------|------|
|
|
| 文档 | PDF, Word (.docx), Excel (.xlsx), PowerPoint (.pptx) |
|
|
| 媒体 | 图片 (EXIF + OCR), 音频 (EXIF + 转录) |
|
|
| 网页 | HTML |
|
|
| 数据 | CSV, JSON, XML |
|
|
| 其他 | EPUB, ZIP, YouTube, Jupyter Notebooks |
|
|
|
|
## 安装
|
|
|
|
```bash
|
|
# 创建虚拟环境
|
|
python3 -m venv ~/.venv/markitdown
|
|
source ~/.venv/markitdown/bin/activate
|
|
|
|
# 安装（所有依赖）
|
|
pip install 'markitdown[all]'
|
|
|
|
# 或按需安装
|
|
pip install 'markitdown[pdf, docx, pptx]'
|
|
```
|
|
|
|
## 使用方式
|
|
|
|
### 命令行
|
|
|
|
```bash
|
|
# 基本用法
|
|
markitdown file.pdf -o output.md
|
|
|
|
# 从stdin读取
|
|
cat file.pdf | markitdown
|
|
|
|
# 使用Azure Document Intelligence
|
|
markitdown file.pdf -d -e "<endpoint>"
|
|
```
|
|
|
|
### Python API
|
|
|
|
```python
|
|
from markitdown import MarkItDown
|
|
|
|
md = MarkItDown()
|
|
result = md.convert("document.xlsx")
|
|
print(result.text_content)
|
|
```
|
|
|
|
### 结合LLM进行图片描述
|
|
|
|
```python
|
|
from markitdown import MarkItDown
|
|
from openai import OpenAI
|
|
|
|
md = MarkItDown(
|
|
llm_client=OpenAI(),
|
|
llm_model="gpt-4o"
|
|
)
|
|
result = md.convert("image.jpg")
|
|
```
|
|
|
|
## 可选依赖组
|
|
|
|
| 依赖组 | 说明 |
|
|
|--------|------|
|
|
| `[all]` | 安装所有可选依赖 |
|
|
| `[pdf]` | PDF文件支持 |
|
|
| `[docx]` | Word文件支持 |
|
|
| `[xlsx]` | Excel文件支持 |
|
|
| `[pptx]` | PowerPoint支持 |
|
|
| `[audio-transcription]` | 音频转录 |
|
|
| `[youtube-transcription]` | YouTube字幕 |
|
|
| `[az-doc-intel]` | Azure文档智能 |
|
|
|
|
## MCP服务器
|
|
|
|
MarkItDown 提供 MCP (Model Context Protocol) 服务器，可与 Claude Desktop 等应用集成。
|
|
|
|
详见: `packages/markitdown-mcp`
|
|
|
|
## Wiki集成
|
|
|
|
MarkItDown已集成到LLM Wiki工作流：
|
|
|
|
- 脚本：`~/.openclaw/workspace/04-Tools/wiki-ingest.sh`
|
|
- 说明：`~/.openclaw/wiki/markitdown-wiki-integration.md`
|
|
|
|
## 使用场景
|
|
|
|
1. **文档索引**: 将Office文档转为Markdown便于搜索
|
|
2. **RAG系统**: 为LLM准备格式化文本输入
|
|
3. **内容提取**: 从PDF/图片中提取可编辑文本
|
|
4. **数据分析**: 将Excel表格转为结构化文本
|
|
|
|
## 相关链接
|
|
|
|
- GitHub: https://github.com/microsoft/markitdown
|
|
- PyPI: https://pypi.org/project/markitdown/
|
|
- NuGet (.NET版): https://www.nuget.org/packages/MarkItDown
|
|
|
|
---
|
|
|
|
*本文档由MarkItDown工具转换生成*
|
|
*最后更新：2026-04-14*
|