首页  文章  正文

MarkItDown 微软开源Python一站式文档转Markdown神器

2024.12.16 三毛笔记 文章 506

MarkItDown

是微软开源的Python一站式文档转Markdown神器，能轻松将各种文档转换为Markdown格式，特别适合用于文本分析、内容索引和文档转换等场景，未来是Markdown一统文档格式了吗？

MarkItDown支持多种文件格式的转换：

PDF 文件（.pdf）
PowerPoint 演示文稿（.pptx）
Word 文档（.docx）
Excel 表格（.xlsx）
图片（支持提取 EXIF 元数据和OCR文字识别）
音频文件（支持提取元数据和语音转文字）
HTML 网页（对Wikipedia等网站有特殊优化）
其他文本格式（csv、json、xml等）

简单使用

环境准备

MarkItDown要求Python 3.10或更高版本。这里使用venv环境配置方案：

# 创建虚拟环境
python -m venv myenv

# 激活虚拟环境 Windows
.\myenv\Scripts\activate

# 安装MarkItDown
pip install markitdown

相关阅读：为什么在 Python 中使用虚拟环境？

使用方法

from markitdown import MarkItDown

markitdown = MarkItDown()  # 初始化转换器

# PDF文档
pdf_result = markitdown.convert("a.pdf")
print(pdf_result.text_content)

# Word文档
docx_result = markitdown.convert("a.docx")
print(docx_result.text_content)

# Excel表格
xlsx_result = markitdown.convert("a.xlsx")
with open("a.md", "w", encoding="utf-8") as f:
    f.write(xlsx_result.text_content)

# 处理流式数据
with open("a.pdf", "rb") as f:
    result = markitdown.convert_stream(f)
    print(result.text_content)

MarkItDown作为一个强大的文档转换工具，无论是在自动化文档处理、内容分析还是数据提取场景中，都是一个值得收藏的工具。它不仅能满足基础的文档转换需求，还能通过其强大的扩展性满足各种特殊需求。