markitdownPython-tool voor het converteren van bestanden en kantoor-documenten naar Markdown

MarkItDown is een lichtgewicht Python-hulpprogramma voor het converteren van verschillende bestanden naar Markdown voor gebruik met LLMs en gerelateerde tekstanalyspipelines. Het is het meest vergelijkbaar met textract, maar met een focus op het behouden van belangrijke documentstructuur en -inhoud als Markdown, inclusief koppen, lijsten, tabellen, links, enz. De uitvoer is vaak redelijk presentabel en mensvriendelijk, maar het is bedoeld om te worden gebruikt door tekstanalysetools, en kan niet de beste optie zijn voor conversies van documenten met hoge getrouwheid voor menselijke consumptie. MarkItDown ondersteunt momenteel de conversie van PDF, PowerPoint, Word, Excel, afbeeldingen (EXIF-metadata en OCR), audio (EXIF-metadata en spraaktranscriptie), HTML, tekstgebaseerde formaten (CSV, JSON, XML), ZIP-bestanden, YouTube-URLs, EPubs, en meer. Het wordt aanbevolen om een virtuele omgeving te gebruiken om conflicten tussen afhankelijkheden te voorkomen. Met Python 3.10 of hoger kunt u MarkItDown installeren met pip: pip install 'markitdown[all]' of vanuit de bron met: git clone git@github.com:microsoft/markitdown.git, vervolgens pip install -e 'packages/markitdown[all]' Het gebruik van MarkItDown houdt in dat je het vanaf de opdrachtregel aanroept, hetzij door het uitvoerbestand op te geven, inhoud door te sturen, of door de meest specifieke convert_* functie te gebruiken voor bepaalde gebruiksgevallen.