markitdownHerramienta Python para convertir archivos y documentos de oficina a Markdown.

MarkItDown es una utilidad ligera de Python para convertir varios archivos a Markdown para uso con LLMs y pipelines de análisis de texto relacionados. Es comparable a textract, pero con un enfoque en preservar la estructura y el contenido importantes del documento como Markdown, incluidos títulos, listas, tablas, enlaces, etc. La salida suele ser razonablemente presentable y amigable para humanos, pero está destinada a ser consumida por herramientas de análisis de texto y puede no ser la mejor opción para conversiones de documentos de alta fidelidad para consumo humano. MarkItDown actualmente admite la conversión de PDF, PowerPoint, Word, Excel, Imágenes (metadatos EXIF y OCR), Audio (metadatos EXIF y transcripción de voz), HTML, formatos basados en texto (CSV, JSON, XML), archivos ZIP, URLs de Youtube, EPubs, y más. Se recomienda utilizar un entorno virtual para evitar conflictos de dependencias. Con Python 3.10 o superior, puede instalar MarkItDown usando pip: pip install 'markitdown[all]' o desde el código fuente con: git clone git@github.com:microsoft/markitdown.git, luego pip install -e 'packages/markitdown[all]' El uso de MarkItDown implica invocación desde la línea de comandos, ya sea especificando el archivo de salida, canalizando contenido o utilizando la función convert_* más específica para casos de uso particulares.