markitdownInstrument Python pentru conversia fișierelor și documentelor de birou în Markdown.

MarkItDown este o utilitate lightweight Python pentru a converti diferite fişiere în Markdown pentru a fi utilizată cu LLM-uri și pipeline-uri de analiză a textului asociate. Este comparabilă cel mai mult cu textract, dar cu o focalizare asupra menţinerii structurii documentului importantă şi conţinutul ca Markdown, inclusiv titluri, liste, tabele, linkuri, etc. Rezultatul este deschis și prietenos pentru oameni și potrivit pentru utilizare, dar este conceput să fie consumat de instrumente de analiză a textului și poate nu este cel mai bun opţiune pentru convorbiri de documente fidel la specificarea umană a conţinutului. MarkItDown suportă în prezent conversia din PDF, PowerPoint, Word, Excel, Imagini (metadate EXIF și OCR), Audio (metadate EXIF și transcriere audio), HTML, formate bazate pe text (CSV, JSON, XML), fișiere ZIP, URL-urile Youtube, EPubs și multe altele. Se recomandă folosirea unui mediu virtual pentru a evita conflictele de dependințe. Cu Python 3.10 sau o versiune mai nouă puteți instala MarkItDown folosind pip: pip instală 'markitdown[all]' sau din surse cu: git clone git@github.com:microsoft/markitdown.git, apoi pip instală -e 'packages/markitdown[all]'. Utilizarea MarkItDown implică invocare de linie de comandă, fie prin specificare a fișierului de ieșire, fie prin împingere a conținutului, sau utilizarea unei funcții convert_* specializată pentru cazuri specifice de utilizare.