MarkItDown: Ferramenta de conversão inteligente de documentos da Microsoft, converte vários arquivos para o formato Markdown

Introdução geral

MarkItDown é uma ferramenta Python desenvolvida pela Microsoft e projetada para converter vários arquivos e documentos do Office para o formato Markdown. A ferramenta oferece suporte a uma ampla variedade de tipos de arquivos, incluindo PDF, PowerPoint, Word, Excel, imagens (metadados EXIF e OCR), áudio (metadados EXIF e transcrição de voz), HTML (tratamento especial da Wikipedia etc.), bem como outros formatos de texto (por exemplo, CSV, JSON, XML etc.). A API do MarkItDown foi projetada para ser simples, os usuários podem converter facilmente o conteúdo do arquivo em texto Markdown, conveniente para indexação, análise de texto e outras operações.

Endereço de experiência:Turn2Markdown

Lista de funções

• Suporta a conversão de vários formatos de arquivo: PDF, PowerPoint, Word, Excel, imagem, áudio, HTML, CSV, JSON, XML e assim por diante.
• API fácil de usar: a conversão de arquivos é possível com um código simples.
• Suporta metadados EXIF e processamento de OCR: extração de metadados e reconhecimento óptico de caracteres para imagens e arquivos de áudio.
• Manuseio especial de arquivos HTML: incluindo o manuseio de arquivos HTML especiais, como a Wikipedia.
• Projetos de código aberto: as contribuições e sugestões da comunidade são bem-vindas, seguindo o Código de Conduta de Código Aberto da Microsoft.

Usando a Ajuda

Segunda ferramenta de linha de comando da unidade: https://github.com/john88188/CTM

Processo de instalação

1. Certifique-se de que o ambiente Python esteja instalado (recomenda-se o Python 3.6 ou superior).
2. Instale a biblioteca MarkItDown usando o pip:

   pip install markitdown

Uso

1. Importe a biblioteca MarkItDown:

   from markitdown import MarkItDown

2. Cria um objeto MarkItDown:

   markitdown = MarkItDown()

3. Converta o arquivo:

   resultado = markitdown.convert("test.xlsx")
print(result.text_content)

Fluxo de operação detalhado da função

Converter arquivos PDF

1. Prepare o caminho do arquivo PDF a ser convertido.
2. fazer uso deconvertermétodo de conversão:

   resultado = markitdown.convert("example.pdf")
print(result.text_content)

Converter documentos do Word

1. Prepare o caminho para o documento do Word a ser convertido.
2. fazer uso deconvertermétodo de conversão:

   resultado = markitdown.convert("example.docx")
print(result.text_content)

Processamento de arquivos de imagem

1. Prepare o caminho para o arquivo de imagem a ser processado.
2. fazer uso deconvertermétodo para extração de metadados EXIF e processamento de OCR:

   resultado = markitdown.convert("example.jpg")
print(result.text_content)

Processamento de arquivos de áudio

1. Prepare o caminho do arquivo de áudio a ser processado.
2. fazer uso deconvertermétodo para extração de metadados EXIF e transcrição de fala:

   resultado = markitdown.convert("example.mp3")
print(result.text_content)

Tratamento especial de arquivos HTML

1. Prepare o caminho para o arquivo HTML a ser processado.
2. fazer uso deconvertermétodo de conversão:

   resultado = markitdown.convert("example.html")
print(result.text_content)