প্রকল্প সম্পর্কে
MarkItDown হলো একটি Python-ভিত্তিক টুল যা ডকুমেন্টের গঠন যেমন হেডিং, লিস্ট, টেবিল এবং লিঙ্ক বজায় রেখে একাধিক ফাইল ফরম্যাটকে Markdown-এ রূপান্তর করে। এটি Large Language Models (LLMs) এবং টেক্সট অ্যানালাইসিস টুলের ব্যবহারের জন্য ডেটা প্রস্তুত করতে ডিজাইন করা হয়েছে।
সমর্থিত ফরম্যাটগুলোর মধ্যে রয়েছে:
- অফিস ডকুমেন্ট: Word, PowerPoint, Excel (পুরানো .xls ফরম্যাটসহ)।
- ডকুমেন্ট এবং ওয়েব: PDF, HTML, EPub।
- ডেটা ফরম্যাট: CSV, JSON, XML।
- মাল্টিমিডিয়া: ইমেজ (EXIF এবং OCR), অডিও (EXIF এবং ট্রান্সক্রিপশন), এবং YouTube URL।
- আর্কাইভ: ZIP ফাইল।
মূল বৈশিষ্ট্য এবং ইন্টিগ্রেশন:
- LLM ইন্টিগ্রেশন: প্লাগইনের মাধ্যমে ইমেজের বর্ণনা তৈরি এবং OCR করার জন্য LLM ক্লায়েন্ট (যেমন OpenAI) ব্যবহারের সুবিধা প্রদান করে।
- Azure ইন্টিগ্রেশন: উচ্চ-মানের ক্লাউড-ভিত্তিক এক্সট্রাকশনের জন্য Azure Document Intelligence এবং Azure Content Understanding-এর সাথে ঐচ্ছিক ইন্টিগ্রেশন প্রদান করে, যার মধ্যে ভিডিওর জন্য মাল্টি-মোডাল সাপোর্ট এবং স্ট্রাকচার্ড ফিল্ড এক্সট্রাকশন (YAML front matter) অন্তর্ভুক্ত।
- এক্সটেনসিবিলিটি: নতুন ফাইল ফরম্যাট কনভার্টার যুক্ত করার জন্য একটি প্লাগইন সিস্টেম সমর্থন করে।
- ইন্টারফেস: এটি কমান্ড-লাইন ইন্টারফেস (CLI) এবং Python API উভয়ই অফার করে যাতে বড় ওয়ার্কফ্লোতে এটি ইন্টিগ্রেট করা যায়।