微软开源!所有文件一键秒变 LLM 完美 Markdown,专为 AI 时代打造的格式转换终极方案

# 安装（一行搞定）pip install 'markitdown[all]'# 转换单个文件markitdown 报告.pdf > 报告.md# 用 -o 直接指定输出文件markitdown 报告.pdf -o 报告.md# 管道操作：适合批量处理cat 报告.pdf | markitdown# 批量转换整个文件夹for f in *.pdf; do markitdown "$f" > "${f%.pdf}.md"; done

from markitdown import MarkItDown# 基础用法md = MarkItDown()result = md.convert("季度报告.xlsx")print(result.text_content)# 批量处理多格式文件import osfiles = ["report.pdf", "data.xlsx", "slides.pptx", "notes.docx"]md = MarkItDown()for f in files:    result = md.convert(f)    # 保存为同名 .md 文件    md_file = os.path.splitext(f)[0] + ".md"    with open(md_file, "w", encoding="utf-8") as fp:        fp.write(result.text_content)    print(f"✅ {f} → {md_file}")

# 构建镜像docker build -t markitdown:latest .# 一行转换docker run --rm -i markitdown:latest < 文档.pdf > 输出.md

from markitdown import MarkItDownfrom openai import OpenAI# 传入 LLM 客户端client = OpenAI()md = MarkItDown(    llm_client=client,    llm_model="gpt-4o")# 图片不仅提取元数据，还会生成 AI 描述result = md.convert("产品截图.jpg")print(result.text_content)# 输出包含：EXIF 信息 + AI 生成的场景描述# 例如："这是一张电商平台的产品详情页截图，#  显示了一款无线蓝牙耳机，价格 ¥299，#  评分 4.8 分，已售 12,000+..."

from markitdown import MarkItDown# 零配置：自动根据文件类型选择分析器md = MarkItDown(cu_endpoint="<your_endpoint>")# 文档 → prebuilt-document 分析器result = md.convert("invoice.pdf")# 视频 → prebuilt-video 分析器result = md.convert("meeting.mp4")# 音频 → prebuilt-audio 分析器result = md.convert("call.wav")# 输出包含 YAML 前置元数据# ---# contentType: document# fields:#   VendorName: CONTOSO LTD.#   InvoiceDate: '2019-11-15'# ---# <!-- page 1 --># ...

# 安装 OCR 插件pip install markitdown-ocr# 使用from markitdown import MarkItDownfrom openai import OpenAImd = MarkItDown(    enable_plugins=True,    llm_client=OpenAI(),    llm_model="gpt-4o")# PDF 中的图片文字也会被提取出来result = md.convert("扫描文档.pdf")print(result.text_content)

# 批量转换企业文档，搭建 RAG 知识库from markitdown import MarkItDownimport os, jsonmd = MarkItDown()docs_dir = "./企业文档"rag_dataset = []for filename in os.listdir(docs_dir):    filepath = os.path.join(docs_dir, filename)    if os.path.isfile(filepath):        result = md.convert(filepath)        rag_dataset.append({            "source": filename,            "content": result.text_content        })# 保存为 JSON，喂给 LangChain / LlamaIndexwith open("rag_corpus.json", "w", encoding="utf-8") as f:    json.dump(rag_dataset, f, ensure_ascii=False, indent=2)print(f"✅ 已转换 {len(rag_dataset)} 份文档")

# 研报批量分析 Pipelinefrom markitdown import MarkItDownfrom openai import OpenAImd = MarkItDown()client = OpenAI()# 1. 先用 MarkItDown 转换 PDF 研报result = md.convert("中信证券-新能源行业研报.pdf")# 2. 再用 LLM 分析转换后的内容response = client.chat.completions.create(    model="gpt-4o",    messages=[{        "role": "user",        "content": f"请从以下研报中提取：\n1. 核心观点\n2. 关键数据\n3. 投资建议\n\n研报内容：\n{result.text_content[:8000]}"    }],    temperature=0.3)print(response.choices[0].message.content)

# 多语言报表标准化from markitdown import MarkItDownfrom openai import OpenAImd = MarkItDown()client = OpenAI()# 各国报表转成 Markdownreports = {    "日本": md.convert("japan_report.xlsx").text_content,    "德国": md.convert("germany_report.xlsx").text_content,    "巴西": md.convert("brazil_report.xlsx").text_content,}# LLM 统一翻译为中文并标准化格式for country, content in reports.items():    response = client.chat.completions.create(        model="gpt-4o",        messages=[{            "role": "user",            "content": f"将以下{country}报表翻译为中文，保持Markdown表格格式：\n{content[:4000]}"        }]    )    print(f"=== {country} ===")    print(response.choices[0].message.content)