一条命令把PDF转成Markdown3分钟用上MarkItDown【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如果你之前给大模型喂过文档肯定被各种格式折腾过Word、PPT、Excel 各有各的解析办法复制粘贴又乱码又丢结构。MarkItDown 是微软开源的一个 Python 工具专门把这一类文件直接转成 Markdown一条命令就能把 PDF、Word、PPT、Excel 甚至音频、图片变成带结构的文本直接喂给大语言模型。 核心能力速览办公文档全覆盖Word、PPT、Excel、PDF 都能转标题、列表、表格、链接以 Markdown 结构保留不再是一大坨文字多媒体也能处理图片提取 EXIF 元数据和 OCR 文字wav/mp3 音频转成文字YouTube 链接直接抓字幕网页与压缩包HTML、RSS、维基页面可转换ZIP 文件会遍历内容逐个转换省 token 的输出Markdown 接近纯文本但保留结构主流大模型原生说 Markdown同样内容比 HTML 更省 token默认本地运行数据不出机器需要云端增强时再选 Azure 能力即可 从零上手需要 Python 3.10建议先建个虚拟环境然后一条命令装好全部格式依赖pip install markitdown[all]装完得到一个markitdown命令最简用法markitdown report.pdf report.md跑一次PDF 里的标题、表格就变成了结构清晰的 Markdown 文件。 进阶玩法在 Python 代码里调用集成到自己的流水线时用 API 比命令行更顺手导入MarkItDown调用convert()传入文件名从返回结果的text_content属性拿到 Markdown 字符串。各格式转换器都在packages/markitdown/src/markitdown/converters/下想定制某个格式的行为直接去看那里。让大模型描述图片内置转换对图片只提取元数据。想让模型看懂图片内容时给MarkItDown()传上 LLM 客户端和模型名如 gpt-4o转换图片或 PPT 时就会把图片描述写进 Markdown。扫描件同理仓库里的markitdown-ocr插件可开启enable_pluginsTrue增强提取。已有 Azure 的话也可直接传 Document Intelligence 端点扫描件和复杂表格的转换质量提升明显。 实用提示三个我踩过、你可以跳过的坑不需要全部格式时用markitdown[pdf, docx]这类 extras 精简安装。[all]会拉入 Azure 相关的一堆包纯本地场景装多了白白拖慢安装convert()同时接受本地路径、网络 URL 和字节流。服务环境处理不可信输入时请改用convert_local()或convert_stream()并先校验否则容易中招 SSRF 和路径穿越输出面向机器阅读做了优化。如果你要 100% 还原原版式给人看比如双栏排版需要后处理别指望像素级一致把手边任意一个 PDF 丢给上面第一条命令30 秒后你就会看到一份标题、表格都在的 Markdown先跑通再说进阶的事。【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