markitdown — MarkItDown — это легковесная утилита на Python, предназначенная для преобразования различных форматов файлов и офисных документов в Markdown, специально оптимизированная для использования с LLM и конвейерами анализа текста.

MarkItDown — это легковесная утилита на Python, предназначенная для преобразования различных форматов файлов и офисных документов в Markdown, специально оптимизированная для использования с LLM и конвейерами анализа текста.

Об этом проекте

MarkItDown — это инструмент на базе Python, который преобразует множество форматов файлов в Markdown, сохраняя структуру документа, такую как заголовки, списки, таблицы и ссылки. Он разработан для подготовки данных для использования в больших языковых моделях (LLM) и инструментах анализа текста. Поддерживаемые форматы включают: - Офисные документы: Word, PowerPoint, Excel (включая старые форматы .xls). - Документы и веб-страницы: PDF, HTML, EPub. - Форматы данных: CSV, JSON, XML. - Мультимедиа: Изображения (EXIF и OCR), Аудио (EXIF и транскрибация) и URL-адреса YouTube. - Архивы: ZIP-файлы. Ключевые особенности и интеграции: - Интеграция с LLM: Поддерживает использование клиентов LLM (например, OpenAI) для генерации описаний изображений и выполнения OCR через плагины. - Интеграция с Azure: Предоставляет опциональную интеграцию с Azure Document Intelligence и Azure Content Understanding для высокоточного облачного извлечения данных, включая мультимодальную поддержку видео и извлечение структурированных полей (YAML front matter). - Расширяемость: Поддерживает систему плагинов для добавления новых конвертеров форматов файлов. - Интерфейс: Предлагает как интерфейс командной строки (CLI), так и Python API для интеграции в более масштабные рабочие процессы.