在数字化时代，信息传播变得便捷，但也面临格式兼容挑战。开源文档转 Markdown 工具应运而生，解决了格式转换难题，促进了内容的自由流通和协作。

Markdown，作为一种轻量级标记语言，因其简洁易读而成为技术写作、博客和文档管理的首选。它的简单性也降低了 LLM 处理文本时的复杂性，无需解析复杂的格式和样式。

本文 Kakuqo 将介绍微软开源的 MarkItDown 文档转换工具，它能够将不同类型的文档转换成 Markdown 格式的文档。该工具很火爆，开源仅一个多月，目前 Github 的 Star 数已达 25.9K。

MarkItDown 简介

MarkItDown 是一款将各种文件转换为 Markdown 的工具。目前它支持以下文档类型：

• PDF
• PowerPoint（pptx）、Word（docx） 和 Excel（xlsx）
• Images (EXIF metadata and OCR)
• Audio (EXIF metadata and speech transcription)
• HTML、Text-based formats (CSV, JSON, XML)
• ZIP files (iterates over contents)

MarkItDown 使用示例

要测试 MarkItDown 的功能，我们可以使用 MarkItDown 项目提供的各种测试文件，这些文件所在的路径是：markitdown/tests/test_files。

docx 转 markdown

pptx 转 markdown

本地运行 MarkItDown

要在本地运行 MarkItDown，你需要确保本地已经安装了 Python。之后，你就可以通过 pip install markitdown 命令来安装 MarkItDown。

命令行使用

markitdown path-to-file.pdf > document.md

或者使用 -o 参数来设定输出的文件路径：

markitdown path-to-file.pdf -o document.md

Python API 集成

在 Python 中，使用 MarkItDown 很简单，只需几行代码就搞定了。

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("test.xlsx")
print(result.text_content)

其实 MarkItDown 不仅仅是一个文档转换工具，它也支持利用 AI 大语言模型来实现一些智能文档处理。比如，利用 gpt-4o 来为图片生成描述信息。

from markitdown import MarkItDown
from openai import OpenAI

client = OpenAI()
md = MarkItDown(llm_client=client, llm_model="gpt-4o")
result = md.convert("example.jpg")
print(result.text_content)

Docker

docker build -t markitdown:latest .
docker run --rm -i markitdown:latest < ~/your-file.pdf > output.md

https://github.com/microsoft/markitdown