markitdownPython nástroj pro převod souborů a kancelářských dokumentů na Markdown.

MarkItDown je lehká pythonová utilita pro převod různých souborů do formátu Markdown pro použití s LLM a souvisejícími textovými analytickými pipeliney. Je nejvíce srovnatelná s textractem, ale se zaměřením na zachování důležité struktury a obsahu dokumentu jako Markdown, včetně nadpisů, seznamů, tabulek, odkazů atd. Výstup je často rozumně prezentovatelný a uživatelsky přívětivý, ale je určen pro spotřebu nástroji textové analýzy a nemusí být tou nejlepší volbou pro vysoce věrné převody dokumentů pro lidskou spotřebu. MarkItDown aktuálně podporuje konverzi z PDF, PowerPointu, Wordu, Excelu, obrázků (EXIF metadata a OCR), zvuku (EXIF metadata a přepis řeči), HTML, textových formátů (CSV, JSON, XML), souborů ZIP, adres URL YouTube, EPubů a dalších. Doporučujeme používat virtuální prostředí, abyste se vyhnuli konfliktům závislostí. S Pythonem 3.10 nebo vyšším můžete nainstalovat MarkItDown pomocí nástroje pip: pip install 'markitdown[all]' nebo ze zdroje pomocí: git clone git@github.com:microsoft/markitdown.git, poté pip install -e 'packages/markitdown[all]'. Používání MarkItDown zahrnuje vyvolání z příkazového řádku, a to buď zadáním výstupního souboru, předáním obsahu pomocí potrubí nebo použitím nejužší funkce convert_* pro specifické případy použití.