一、簡介

微軟近期在GitHub平臺上推出了一款名為MarkItDown的開源Python工具庫，為用戶提供了將多種文件格式轉(zhuǎn)換為Markdown格式的便捷途徑。

MarkItDown不僅支持將Office文檔如Word、Excel、PowerPoint等轉(zhuǎn)換為Markdown，還能處理PDF、圖片、音頻、HTML以及多種文本格式，如csv、json和xml等。

通過該工具，用戶可以輕松地將各類文檔轉(zhuǎn)換為Markdown格式，進(jìn)而便于文本的索引、搜索和分析等操作。

MarkItDown 是一個用于將各種文件轉(zhuǎn)換為 Markdown 的實用程序（例如，用于索引、文本分析等）。 將各類文檔自動轉(zhuǎn)換為 Markdown 格式，它支持：

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

MarkItDown在MIT開源許可下發(fā)布，這意味著開發(fā)人員可以自由地使用、修改和分發(fā)該工具庫。唯一的限制是在分發(fā)時，需要包含原始的許可證和版權(quán)聲明，以確保開源社區(qū)的權(quán)益得到保護(hù)。

二、安裝

最佳環(huán)境要求：Python語言：3.12

要安裝 MarkItDown，可以通過 pip 安裝工具使用命令：

pip install markitdown

或者，

您可以從源安裝它：

pip install -e .

三、使用方法

MarkItDown 提供了便捷的命令行工具，支持多種輸入方式：

3.1、使用命令行形式

命令格式：

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

舉例：

將example.pdf 文件生成output.md

命令如下：

markitdown example.pdf > output.md

還可以通過管道傳輸內(nèi)容：

cat path-to-file.pdf | markitdown

cat path-to-file.pdf | markitdown

3.2、用 Python 調(diào)用

Python 中的基本用法

用 Python 調(diào)用并轉(zhuǎn)換文件內(nèi)容的命令格式如下：

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

測試不同格式文件轉(zhuǎn)換Markdown的效果

（1） 、Excel表格轉(zhuǎn)換成Markdown 格式

Excel文件 TIOBE202412.xlsx內(nèi)容如下：

執(zhí)行代碼：

# Excel表格轉(zhuǎn)換成Markdown 格式

from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("TIOBE202412.xlsx")
print(result.text_content)

輸出結(jié)果：

## TIOBE 12月編程語言流行度排名
| 2024-12-01 00:00:00 | 2023-12-01 00:00:00 | Unnamed: 2 | Ratings | Change |
| --- | --- | --- | --- | --- |
| 1 | 1 | Python | 0.2384 | 0.0998 |
| 2 | 3 | C++ | 0.1082 | 0.0081 |
| 3 | 4 | Java | 0.0972 | 0.0173 |
| 4 | 2 | C | 0.0910 | -0.0234 |
| 5 | 5 | C# | 0.0487 | -0.0243 |
| 6 | 6 | JavaScript | 0.0461 | 0.0172 |
| 7 | 13 | Go | 0.0217 | 0.0114 |
| 8 | 9 | SQL | 0.0199 | 0.0037 |
| 9 | 8 | Visual Basic | 0.0196 | 0.0014 |
| 10 | 12 | Fortran | 0.0179 | 0.0072 |
| 11 | 16 | Delphi/Object Pascal | 0.0144 | 0.0052 |
| 12 | 7 | PHP | 0.0139 | -0.0062 |
| 13 | 11 | Scratch | 0.0133 | 0.0026 |
| 14 | 18 | Rust | 0.0129 | 0.0048 |
| 15 | 14 | MATLAB | 0.0109 | 0.0016 |
| 16 | 20 | R | 0.0105 | 0.0033 |
| 17 | 10 | Assembly language | 0.0104 | -0.0007 |
| 18 | 19 | Ruby | 0.0103 | 0.0026 |
| 19 | 23 | COBOL | 0.0098 | 0.0030 |
| 20 | 17 | Swift | 0.0098 | 0.0016 |

代碼渲染效果如下：

測試結(jié)果：

markitdown V0.0.1a3版本，簡單表格可以正常轉(zhuǎn)換，但數(shù)字由%轉(zhuǎn)換成了小數(shù)格式。

（2） 、Word文檔轉(zhuǎn)換成Markdown 格式

Word文件 "test.docx"內(nèi)容如下：

在命令行執(zhí)行：

markitdown test.docx > document.md

生成的document.md內(nèi)容如下：

## 第一章、概述
MarkItDown is a utility for converting various files to Markdown (e.g., for indexing, text analysis, etc). It supports:
* PDF
* PowerPoint
* Word
* Excel
* Images (EXIF metadata and OCR)
* Audio (EXIF metadata and speech transcription)
* HTML
* Text-based formats (CSV, JSON, XML)
* ZIP files (iterates over contents)
## 第二章、統(tǒng)計
| **(過去 12 個月** | **最大值** | **平均值** | **最小值** |
| --- | --- | --- | --- |
| 高溫 (°C) | 38 | 28 | 9 |
| 低溫 (°C) | 29 | 22 | 7 |
| 降水 (毫米) | 160.55 | 8.86 | 0 |
| 風(fēng)速 (公里/小時) | 19 | 8.89 | 3 |
## 第三章、特色
### 1. 預(yù)覽本地文檔
您可以上傳并在線查看您計算機(jī)的文檔。
### 2. 預(yù)覽網(wǎng)絡(luò)文檔
您可以對網(wǎng)絡(luò)文檔進(jìn)行預(yù)覽。
### 3. 閱讀進(jìn)度條
doc, docx, ppt, pptx和txt文檔大于約3頁時，預(yù)覽頁面底部會出現(xiàn)閱讀進(jìn)度條。
### 4. 安全等級
每個文檔都可以設(shè)置兩種訪問方式：
公開：任何人可以訪問并預(yù)覽，適用于公開文檔
私有：只能通過會話ID預(yù)覽，會話過期后就需要重新獲取預(yù)覽會話ID，該預(yù)覽方式適用于私有文檔
## 第四章、系統(tǒng)架構(gòu)
### 1. 單機(jī)版架構(gòu)
I Doc View在線文檔預(yù)覽服務(wù)
Tomcat/Jetty
Nginx/Apache
數(shù)據(jù)庫
I Doc View文檔轉(zhuǎn)換器
網(wǎng)頁瀏覽器：手機(jī)、平板或電腦
原始文檔
轉(zhuǎn)換文檔
I Doc View在線文檔預(yù)覽服務(wù)所需軟件分為兩類：
1. 私有軟件：包括“在線文檔預(yù)覽服務(wù)WEB應(yīng)用”和“在線文檔預(yù)覽轉(zhuǎn)換器”，這兩種軟件的獲取與授權(quán)詳情請聯(lián)系I Doc View客服；
2. 公有軟件：公有軟件為I Doc View在線文檔預(yù)覽服務(wù)正常運(yùn)行所需的其他軟件，大部分開源免費(fèi)，根據(jù)自己實際情況從其官網(wǎng)獲取，也可從I Doc View提供的統(tǒng)一下載地址來獲取。
配置示例：
upstream docview\_backend\_cluster {
hash $arg\_md5 consistent;
server docview1;
server docview2;
server {
server\_name https://blog.csdn.net/weixin\_69553582;
location / {
proxy\_pass http://docview\_backend\_cluster;
}
}

或者通過代碼執(zhí)行：

from markitdown import MarkItDown

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

結(jié)果經(jīng)過渲染后得到的markdown頁面效果：

總結(jié)：

markitdown V0.0.1a3版本，

word文檔里的簡單表格和文字能夠轉(zhuǎn)換成markdown格式，但word里的繪圖無法轉(zhuǎn)換

（3）、PDF文檔轉(zhuǎn)換成Markdown 格式

將PDF文件轉(zhuǎn)換成.md格式的文件的命令格式：

markitdown pdf文件 > 你的文件名.md

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

或者使用-o指定輸出文件：

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

PDF文件 “圣誕節(jié).pdf ”內(nèi)容如下：

我通過命令行，將“圣誕節(jié).pdf ”文件轉(zhuǎn)換成“output.md”格式的文件，

執(zhí)行命令如下：

markitdown 圣誕節(jié).pdf > output.md

轉(zhuǎn)換后的“output.md”文件內(nèi)容如下：

測試結(jié)果：

markitdown V0.0.1a3版本，

“圣誕節(jié).pdf ”文件能轉(zhuǎn)換成“output.md”格式的文件，但pdf里面的圖片不能轉(zhuǎn)換到md文檔里面

只能提取文本，但整個結(jié)構(gòu)丟失了，它只轉(zhuǎn)換為文本，而不是 Markdown，并且標(biāo)題和表格無法轉(zhuǎn)換。

使用大型語言模型

要使用大型語言模型進(jìn)行圖像描述，請?zhí)峁﹍lm_client和llm_model：

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)

四、總結(jié)

MarkItDown 是一個用于將各種文件轉(zhuǎn)換為 Markdown 的實用程序（例如，用于索引、文本分析等）。 通過一行或幾行代碼將各類文檔自動轉(zhuǎn)換為 Markdown 格式，這個功能很方便。但可能是因為剛開始，markitdown V0.0.1a3版本在轉(zhuǎn)換過程中仍有些問題，仍有優(yōu)化的空間。

通過MarkItDown將word、execel、PDF等文件轉(zhuǎn)換為Markdown 格式，我們在此基礎(chǔ)上再修改，可以節(jié)省不少時間。

以上就是Python實現(xiàn)將Word、Excel、PDF轉(zhuǎn)換為Markdown格式的詳細(xì)內(nèi)容，更多關(guān)于Python Markdown格式轉(zhuǎn)換的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論