MarkItDown: Инструмент интеллектуального преобразования документов Microsoft для конвертации различных файлов в формат Markdown

Общее введение

MarkItDown - это Python-инструмент, разработанный компанией Microsoft и предназначенный для преобразования различных файлов и офисных документов в формат Markdown. Инструмент поддерживает широкий спектр типов файлов, включая PDF, PowerPoint, Word, Excel, изображения (метаданные EXIF и OCR), аудио (метаданные EXIF и транскрипция голоса), HTML (специальная обработка Wikipedia и т.д.), а также другие текстовые форматы (например, CSV, JSON, XML и т.д.).MarkItDown's API разработан с учетом простоты, пользователи могут легко преобразовать содержимое файла в текст в формате Markdown, удобный для индексирования, анализа текста и других операций.

Опыт работы Адрес:Turn2Markdown

Список функций

• Поддерживает преобразование файлов различных форматов: PDF, PowerPoint, Word, Excel, изображений, аудио, HTML, CSV, JSON, XML и т. д.
• Простой в использовании API: преобразование файлов возможно с помощью простого кода.
• Поддерживает метаданные EXIF и обработку OCR: извлечение метаданных и оптическое распознавание символов для изображений и аудиофайлов.
• Специальная обработка HTML-файлов: включая обработку специальных HTML-файлов, таких как Wikipedia.
• Проекты с открытым исходным кодом: приветствуется вклад сообщества и предложения в соответствии с Кодексом поведения Microsoft с открытым исходным кодом.

Использование помощи

Второй инструмент командной строки для привода: https://github.com/john88188/CTM

Процесс установки

1. Убедитесь, что среда Python установлена (рекомендуется Python 3.6 и выше).
2. Установите библиотеку MarkItDown с помощью pip:

   pip install markitdown

Использование

1. Импортируйте библиотеку MarkItDown:

   from markitdown import MarkItDown

2. Создает объект MarkItDown:

   markitdown = MarkItDown()

3. Преобразуйте файл:

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

Подробный порядок работы функций

Преобразование файлов PDF

1. Подготовьте путь к PDF-файлу, который нужно преобразовать.
2. пользоватьсяconvertметод преобразования:

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

Преобразование документов Word

1. Подготовьте путь к документу Word, который нужно преобразовать.
2. пользоватьсяconvertметод преобразования:

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

Обработка файлов изображений

1. Подготовьте путь к файлу изображения для обработки.
2. пользоватьсяconvertметод извлечения метаданных EXIF и обработки OCR:

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

Обработка аудиофайлов

1. Укажите путь к обрабатываемому аудиофайлу.
2. пользоватьсяconvertметод извлечения метаданных EXIF и транскрипции речи:

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

Специальная обработка файлов HTML

1. Укажите путь к обрабатываемому HTML-файлу.
2. пользоватьсяconvertметод преобразования:

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