Python MarkItDown 详细介绍

pip install 'markitdown[all]'

# 仅安装 PDF、PowerPoint、Word 支持pip install 'markitdown[pdf,pptx,docx]'# 仅安装图片和音频支持pip install 'markitdown[ocr,audio]'

markitdown --version

# 转换 PDF 并输出到终端markitdown document.pdf# 保存到文件markitdown document.pdf -o output.md# 处理 Word 文档markitdown report.docx -o report.md# 处理 Excel 表格markitdown data.xlsx -o data.md# 使用管道重定向cat document.pdf | markitdown > output.md

# 将 HTML 内容作为文本文件转换cat webpage.html | markitdown -x html

from markitdown import MarkItDown# 创建转换器实例md = MarkItDown()# 转换 Excel 文件result = md.convert("test.xlsx")# 输出 Markdown 内容print(result.text_content)

from markitdown import MarkItDownmd = MarkItDown()result = md.convert("employees.csv")print(result.text_content)# 输出类似：# | First Name | Last Name | Department | Position |# |------------|-----------|------------|----------|# | Alice      | Johnson   | Marketing  | Coordinator |# | Bob        | Williams  | HR         | Generalist |

from markitdown import MarkItDownfrom openai import OpenAI# 初始化 OpenAI 客户端client = OpenAI(api_key="your-api-key")# 创建支持 LLM 图片描述的转换器md = MarkItDown(    llm_client=client,    llm_model="gpt-4o"  # 推荐使用支持视觉的模型)# 转换图片result = md.convert("example.jpg")print(result.text_content)# 输出将包含 GPT-4o 生成的图片描述

pip install 'markitdown[audio]'

from markitdown import MarkItDownmd = MarkItDown()result = md.convert("meeting.mp3")print(result.text_content)  # 输出会议录音的转录文本

from markitdown import MarkItDownimport osfrom pathlib import Pathdef batch_convert(input_dir, output_dir):    """    批量转换指定目录下的所有支持文件    """    md = MarkItDown()    # 支持的文件扩展名    supported_extensions = ('.pdf', '.docx', '.xlsx', '.pptx', '.jpg', '.png')    # 创建输出目录    Path(output_dir).mkdir(parents=True, exist_ok=True)    converted_count = 0    failed_files = []    for file in os.listdir(input_dir):        if file.lower().endswith(supported_extensions):            input_path = os.path.join(input_dir, file)            output_path = os.path.join(                output_dir,                 f"{Path(file).stem}.md"            )            print(f"正在转换: {file}")            try:                result = md.convert(input_path)                with open(output_path, 'w', encoding='utf-8') as f:                    f.write(result.text_content)                converted_count += 1                print(f"✓ 已保存到: {output_path}")            except Exception as e:                failed_files.append((file, str(e)))                print(f"✗ 转换失败: {e}")    print(f"\n转换完成! 成功: {converted_count}, 失败: {len(failed_files)}")    if failed_files:        print("\n失败的文件:")        for file, error in failed_files:            print(f"  - {file}: {error}")# 使用示例batch_convert("./documents", "./markdown_outputs")

from markitdown import MarkItDown# 使用 Azure Document Intelligence 增强转换md = MarkItDown(    docintel_endpoint="<your_endpoint>",    docintel_key="<your_api_key>")result = md.convert("scanned_document.pdf")print(result.text_content)

from markitdown import MarkItDownmd = MarkItDown()result = md.convert("archive.zip")# result.text_content 将包含所有内部文件的转换结果print(result.text_content)

pip install markitdown-mcp-advanced

from markitdown import MarkItDownimport chromadb  # 假设使用 ChromaDBdef prepare_documents_for_rag(file_list):    """    将多个文档转换为 Markdown 并准备向量化    """    md = MarkItDown()    documents = []    for file_path in file_list:        result = md.convert(file_path)        documents.append({            "source": file_path,            "content": result.text_content        })    # 这里可以将 documents 存入向量数据库    return documents# 使用示例docs = prepare_documents_for_rag([    "company_policy.pdf",    "product_manual.docx",    "financial_report.xlsx"])

from markitdown import MarkItDownimport requestsdef convert_webpage_to_markdown(url):    """    下载网页并转换为 Markdown    """    # 下载网页内容    response = requests.get(url)    html_content = response.text    # 将 HTML 内容保存为临时文件或直接处理    with open("temp.html", "w", encoding="utf-8") as f:        f.write(html_content)    # 使用 MarkItDown 转换    md = MarkItDown()    result = md.convert("temp.html")    return result.text_content# 使用示例markdown = convert_webpage_to_markdown("https://example.com/article")print(markdown[:500])  # 输出前500个字符

from markitdown import MarkItDownfrom pathlib import Pathimport jsonimport logginglogging.basicConfig(level=logging.INFO)logger = logging.getLogger(__name__)class DocumentProcessor:    """    文档处理流水线类    """    def __init__(self, input_dir, output_dir):        self.input_dir = Path(input_dir)        self.output_dir = Path(output_dir)        self.converter = MarkItDown()        self.stats = {"processed": 0, "failed": 0}    def process_all(self):        """处理目录下的所有文档"""        self.output_dir.mkdir(parents=True, exist_ok=True)        for file_path in self.input_dir.iterdir():            if file_path.is_file():                self.process_single(file_path)        self.save_stats()        return self.stats    def process_single(self, file_path):        """处理单个文件"""        try:            logger.info(f"处理: {file_path.name}")            result = self.converter.convert(str(file_path))            output_file = self.output_dir / f"{file_path.stem}.md"            with open(output_file, 'w', encoding='utf-8') as f:                f.write(result.text_content)            self.stats["processed"] += 1            logger.info(f"完成: {output_file}")        except Exception as e:            self.stats["failed"] += 1            logger.error(f"失败 {file_path.name}: {e}")    def save_stats(self):        """保存处理统计信息"""        stats_file = self.output_dir / "processing_stats.json"        with open(stats_file, 'w') as f:            json.dump(self.stats, f, indent=2)# 使用示例processor = DocumentProcessor("./raw_docs", "./processed_markdown")stats = processor.process_all()print(f"处理完成: 成功 {stats['processed']} 个, 失败 {stats['failed']} 个")