2024 微软开源神器 MarkItDown：一键将办公文档转换为 Markdown 的 Python 工具

一、前言

1、介绍

MarkItDown 是微软开源的一款强大的文档转换工具，可以将PDF、Office文档、图片等多种格式文件转换为Markdown格式。它还支持集成AI模型来智能处理图片描述。本文将详细介绍如何安装和使用这个工具。
github仓库：https://github.com/microsoft/markitdown

2、主要特性

支持多种文件格式转换:

1. PDF文件 (.pdf)
2. PowerPoint演示文稿 (.pptx)
3. Word文档 (.docx)
4. Excel表格 (.xlsx)
5. 图片(支持EXIF元数据和OCR)
6. 音频(支持EXIF元数据和语音转写)
7. HTML(支持维基百科等特殊处理)
8. 其他文本格式(csv、json、xml等)

可集成OpenAI等AI模型实现智能描述 简单易用的API接口 支持批量处理文件

二、实践

1、快速开始

（1） 使用pip安装:

pip install markitdown

（2）源码安装:
git clone git@github.com:microsoft/markitdown.git 后到项目目录下执行：

pip install -e .

2. 基本使用

（1）最简单的使用方式:

from markitdown import MarkItDown

# 创建MarkItDown实例
markitdown = MarkItDown()

# 转换文件
result = markitdown.convert("test.xlsx")
print(result.text_content)

（2）使用AI模型处理图片
集成OpenAI来处理图片描述:

from markitdown import MarkItDown
from openai import OpenAI

# 配置OpenAI客户端
client = OpenAI()

# 创建支持AI的MarkItDown实例
md = MarkItDown(mlm_client=client, mlm_model="gpt-4")

# 转换图片文件
result = md.convert("example.jpg")
print(result.text_content)

（3）批量处理多个文件
此示例展示了如何在一次运行中将多个文件转换为 markdown 格式。该脚本处理目录中所有支持的文件并创建相应的 markdown 文件。

from markitdown import MarkItDown
from openai import OpenAI
import os
client = OpenAI(api_key="your-api-key-here")
md = MarkItDown(llm_client=client, llm_model="gpt-4o-2024-11-20")
supported_extensions = ('.pptx', '.docx', '.pdf', '.jpg', '.jpeg', '.png')
files_to_convert = [f for f in os.listdir('.') if f.lower().endswith(supported_extensions)]
for file in files_to_convert:
    print(f"\nConverting {file}...")
    try:
        md_file = os.path.splitext(file)[0] + '.md'
        result = md.convert(file)
        with open(md_file, 'w') as f:
            f.write(result.text_content)
        
        print(f"Successfully converted {file} to {md_file}")
    except Exception as e:
        print(f"Error converting {file}: {str(e)}")

print("\nAll conversions completed!")

将脚本放在与文件相同的目录中
安装所需的软件包：例如 openai
运行脚本bash python convert.py
请注意，原始文件将保持不变，并使用相同的基本名称创建新的 markdown 文件。

三、使用场景

功能	描述
文档索引和检索	将各种格式的文档转换为Markdown便于建立索引
内容分析	提取文档结构和内容，进行文本分析和处理
AI增强处理	使用AI模型生成图片描述，智能识别文档内容
批量文档处理	处理大量文档转换任务，保持格式统一