markitdown — MarkItDown é um utilitário leve em Python projetado para converter vários formatos de arquivos e documentos de escritório em Markdown, otimizado especificamente para uso com LLMs e pipelines de análise de texto.

MarkItDown é um utilitário leve em Python projetado para converter vários formatos de arquivos e documentos de escritório em Markdown, otimizado especificamente para uso com LLMs e pipelines de análise de texto.

Sobre o projeto

MarkItDown é uma ferramenta baseada em Python que converte múltiplos formatos de arquivos em Markdown, preservando estruturas de documentos como cabeçalhos, listas, tabelas e links. Ela foi projetada para preparar dados para consumo por Large Language Models (LLMs) e ferramentas de análise de texto. Os formatos suportados incluem: - Documentos do Office: Word, PowerPoint, Excel (incluindo formatos .xls antigos). - Documentos e Web: PDF, HTML, EPub. - Formatos de Dados: CSV, JSON, XML. - Multimídia: Imagens (EXIF e OCR), Áudio (EXIF e transcrição) e URLs do YouTube. - Arquivos: Arquivos ZIP. Principais recursos e integrações: - Integração com LLM: Suporta o uso de clientes LLM (ex: OpenAI) para gerar descrições de imagens e realizar OCR via plugins. - Integração com Azure: Fornece integração opcional com Azure Document Intelligence e Azure Content Understanding para extração baseada em nuvem de alta fidelidade, incluindo suporte multimodal para vídeo e extração de campos estruturados (YAML front matter). - Extensibilidade: Suporta um sistema de plugins para adicionar novos conversores de formato de arquivo. - Interface: Oferece tanto uma interface de linha de comando (CLI) quanto uma API Python para integração em fluxos de trabalho maiores.