llm_wiki/wiki/markitdown.md at a6f05ab2d51d5b752f3b6d51261ca49d67cca8b0

Files

T

hehaiguang1123 a6f05ab2d5 Phase 0-2: Schema cleanup, typed relations, event-driven automation

- Phase 0: AGENTS.md cleanup (dedup quotes, renumber sections, merge qmd)
- Phase 1: typed relations (manage-relations.py, graph-search.py, check-staleness.py, detect-conflicts.py)
- Phase 2: frontmatter validator, weekly lint, knowledge promotion, git hooks
- Fix .gitignore to track tools/ and .githooks/
- Fix git remote URL (remove plaintext token)
- New wiki pages: 504 pages, 34 raw sources

2026-07-01 08:05:43 +08:00

2.6 KiB

Raw Blame History

categories, tags, created, source, type, aliases

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

# 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

# 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

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("document.xlsx")
print(result.text_content)

结合LLM进行图片描述

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

文档索引: 将Office文档转为Markdown便于搜索
RAG系统: 为LLM准备格式化文本输入
内容提取: 从PDF/图片中提取可编辑文本
数据分析: 将Excel表格转为结构化文本

2.6 KiB Raw Blame History

MarkItDown

概述