microsoft/markitdown
MarkItDown 是微软的轻量级 Python 文档转换工具,适合把办公文档等文件转成供大语言模型和文本分析流程使用的 Markdown。它着重保留标题、列表、表格和链接,让下游工具在读取文本时仍能利用文档结构。
文档含图片文字时
如果资料的关键信息在嵌入图片里,可以查看 markitdown-ocr 插件。README 说明,它通过具备视觉能力的大语言模型提取 PDF、DOCX、PPTX 和 XLSX 中的图片文字。第三方插件默认关闭,需要显式启用。
用自己的文档试跑
README 列出的 Python 版本范围是 3.10 至 3.14,并建议使用虚拟环境。可以用 pip install 'markitdown[all]' 安装,再按 README 的命令行示例选一份有代表性的文档,用 -o 将结果写入文件,检查下游需要的标题层级、表格和链接是否保留。要接入已有的 Python 流程,可以看 README 的 Python API 一节。处理不可信输入时,README 建议先校验输入,再按来源选择范围更窄的接口,例如本地文件用 convert_local(),已有输入流用 convert_stream()。
发表回复