MarkItDown 是由微软开发的一个轻量级 Python 工具，用于将各类文档和文件转换为结构化的 Markdown 格式，适用于大型语言模型（LLM）处理和文本分析任务。其目标是尽可能保留文档中的结构信息，如标题、列表、表格、链接等，而不仅仅是提取原始文本。
支持的文件类型
- Word 文档
- PowerPoint 幻灯片
- Excel 表格
- 图片（支持 EXIF 元数据和 OCR 文字识别）
- 音频文件（EXIF 元数据和语音转写）
- HTML 页面
- 文本格式（如 CSV、JSON、XML）
- ZIP 压缩包（遍历其中内容）
- YouTube 视频链接
- EPUB 电子书等
适用场景
- 为大语言模型准备输入数据
- 自动化文档结构提取
- 将文件内容标准化为 Markdown，用于进一步处理或存储
安装方式
可以通过 pip 安装完整版本：
pip install 'markitdown[all]'
或从源代码安装：
git clone [email protected]:microsoft/markitdown.git
cd markitdown
pip install -e 'packages/markitdown[all]'
命令行使用示例
将文件转换为 Markdown 并输出到终端：
markitdown path-to-file.pdf > document.md
或使用 -o 参数指定输出文件：
markitdown path-to-file.docx -o output.md
特点说明
- 面向结构化信息提取而非高保真文档转化
- 输出文本适合机器处理，也具有人类可读性
- 使用文件流处理方式，无需创建临时文件
- 提供 MCP（Model Context Protocol）服务，便于集成到 LLM 应用中
开源协议
该项目使用 MIT 协议开源，支持自由使用和商业集成