MarkItDown 实战指南一条命令把 PDF、Word、PPT 转成 Markdown扫描件也能提字【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown手头同时有 PDF、Word、Excel、PPT却要喂给同一条 LLM 流水线文档转 Markdown 工具 MarkItDown 就是干这个的输入一个文件输出带结构的 Markdown标题、列表、表格、链接都保留下来。适合需要把一堆异构文档统一成一种文本格式的开发者。从安装到第一个 Markdown 要多久环境要求 Python 3.10 及以上3.14 以内。推荐建个虚拟环境然后一条命令装齐全部可选依赖pip install markitdown[all]装完立刻能转markitdown report.pdf -o report.md不想落盘就重定向到 stdoutcat report.pdf | markitdown也能走管道输入。确认成功的办法很直接打开report.md检查原文里的章节标题有没有变成#层级、表格有没有以 Markdown 表格呈现。能对上就算跑通了。谁在干活每种格式一个独立转换器打开源码就明白它为什么不挑格式。所有转换器平铺在 converters 目录一个文件管一个格式_docx_converter.pyWord_pdf_converter.pyPDF_xlsx_converter.pyExcel_pptx_converter.pyPowerPoint调用时 MarkItDown 按文件扩展名路由到对应模块你不用关心背后是谁。每个转换器负责把该格式特有的结构映射成 Markdown 语法——Word 的标题样式变成#层级列表保持列表语法表格输出为 Markdown 表格超链接保留 URL。超出纯格式转换的三块能力扫描件没有文本层怎么把图里的字提出来扫描件 PDF 整页是图没有可提取的文本。markitdown-ocr插件解决的就是这一环它会处理 PDF、DOCX、PPTX、XLSX 中内嵌的图片把文字交给视觉模型提取。整页无文本的扫描 PDF 会被自动识别每页以 300 DPI 渲染成整页图片再送模型。仓库里现成的扫描票据测试文件 RECEIPT-2024-TXN-98765_retail_purchase.pdf 和它的预期输出 RECEIPT-2024-TXN-98765_retail_purchase.md可以直接拿来验证这条链路。安装与启用都在 Python 侧完成from markitdown import MarkItDown from openai import OpenAI md MarkItDown(enable_pluginsTrue, llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(scan.pdf).text_content)提取出的文字会包在*[Image OCR]...[End OCR]*标记里插回原文对应位置。一个容易忽略的点不传llm_client时插件照样加载但 OCR 被静默跳过回退到内置转换器。详细行为见 markitdown-ocr 插件文档。图片本身转不成文字让视觉模型代写描述图片没法转换但可以在输出里为它生成一段文字描述。这个能力只能从 Python API 开启给构造函数传llm_client和llm_model目前对 PPTX 和图片文件生效。from markitdown import MarkItDown from openai import OpenAI md MarkItDown(llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(example.jpg).text_content)仓库自带一张测试图 test_llm.jpg就是给视觉模型做输入的样本不想全装依赖分组与插件机制[all]只是最省事的装法。pyproject.toml里每个可选依赖都是一个 extras 分组pdf、docx、xlsx、xls、pptx、outlook、audio-transcription、youtube-transcription、az-doc-intel、az-content-understanding等。只处理 PDF 和 Word 的话pip install markitdown[pdf,docx]装得更快占的空间也更小。插件机制则是另一条扩展通道默认关闭CLI 加--use-pluginsPython 侧传enable_pluginsTrue启用markitdown --list-plugins查看已装插件。markitdown-ocr就是靠这套机制接进来的。实战把一个混合格式的资料目录变成 LLM 可用的语料假设papers/目录里混着 PDF 论文、Word 报告和 Excel 数据表。输入是这些原始文件MarkItDown 按扩展名逐个路由到对应转换器输出是papers_md/里一一对应的.md。之后切片、建索引面对的都只有一种格式for f in papers/*; do markitdown $f -o papers_md/$(basename ${f%.*}).md done目录里有扫描件的话装上markitdown-ocr、走 Python API 传llm_client图片里的文字这一环就补齐了。⚠️ 先绕开这三个坑1. 冷门格式的依赖别全装。现象转某个格式时报模块缺失。原因该格式对应的 extras 没装。规避按需pip install markitdown[分组]报错时先对照pyproject.toml里的分组名检查而不是盲目[all]。2. OCR 插件文档里的 CLI 参数与源码不一致。现象照markitdown-ocr文档敲--llm-client openaiargparse 报未识别参数LLM 没生效。原因当前 CLI 源码__main__.py里并未注册这些参数。规避以源码为准用 Python API 传llm_client与llm_model。3. 输出面向机器读输入要区分信任边界。现象复杂多栏、公式密集的文档转出来结构发乱。原因输出定位是给文本分析工具消费不是排版成品。规避重要交付前人工抽查处理不可信输入时用convert_local()代替convert()后者会接受远程 URI。一句话适用场景手上有一批异构文档要变成 LLM 能直接引用的语料。现在就装依赖挑手边任意一个 PDF 跑一遍markitdown report.pdf -o report.md。【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考