markitdown — MarkItDown es una utilidad ligera de Python diseñada para convertir diversos formatos de archivo y documentos de oficina a Markdown, optimizada específicamente para su uso con LLMs y flujos de análisis de texto.

MarkItDown es una utilidad ligera de Python diseñada para convertir diversos formatos de archivo y documentos de oficina a Markdown, optimizada específicamente para su uso con LLMs y flujos de análisis de texto.

Sobre el proyecto

MarkItDown es una herramienta basada en Python que convierte múltiples formatos de archivo a Markdown preservando estructuras de documentos como encabezados, listas, tablas y enlaces. Está diseñada para preparar datos para el consumo de Modelos de Lenguaje Extensos (LLMs) y herramientas de análisis de texto. Los formatos compatibles incluyen: - Documentos de Office: Word, PowerPoint, Excel (incluyendo formatos .xls antiguos). - Documentos y Web: PDF, HTML, EPub. - Formatos de Datos: CSV, JSON, XML. - Multimedia: Imágenes (EXIF y OCR), Audio (EXIF y transcripción) y URLs de YouTube. - Archivos: Archivos ZIP. Características clave e integraciones: - Integración con LLM: Admite el uso de clientes de LLM (por ejemplo, OpenAI) para generar descripciones de imágenes y realizar OCR a través de plugins. - Integración con Azure: Proporciona integración opcional con Azure Document Intelligence y Azure Content Understanding para una extracción basada en la nube de alta fidelidad, incluyendo soporte multimodal para video y extracción de campos estructurados (YAML front matter). - Extensibilidad: Admite un sistema de plugins para añadir nuevos convertidores de formatos de archivo. - Interfaz: Ofrece tanto una interfaz de línea de comandos (CLI) como una API de Python para la integración en flujos de trabajo más amplios.