tags

"文档转换", "markitdown", ".docx .xlsx .pptx", "OCR"

MarkItDown 文档转换技能

使用微软的 markitdown 库将各种文档格式转换为 Markdown。

支持的格式

• PDF (.pdf)
• Word 文档 (.docx)
• PowerPoint 演示文稿 (.pptx)
• Excel 电子表格 (.xlsx .xls)
• HTML 文件 (.html, .htm)
• 纯文本文件 (.txt, .rtf, .xml, .csv, .json)
• 电子书 (.epub)
• 等等...

快速开始

单个文件转换

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("document.pdf")
print(result.text_content)

使用提供的脚本

# 转换单个文件
python3 scripts/convert.py input.pdf output.md

# 批量转换文件夹
python3 scripts/batch_convert.py input_folder/ output_folder/

# 提取文档中的图片
python3 scripts/extract_images.py document.pdf images_folder/

详细用法

单个文件转换

使用 scripts/convert.py：

python3 scripts/convert.py <input_file> [output_file]

如果不指定输出文件，会自动生成 .md 文件。

批量转换

使用 scripts/batch_convert.py：

python3 scripts/batch_convert.py <input_directory> <output_directory>

会递归处理目录中的所有支持的文件。

图片提取

使用 scripts/extract_images.py：

python3 scripts/extract_images.py <input_file> <output_directory>

从文档中提取所有图片并保存到指定目录。

脚本说明

• scripts/convert.py - 单个文件转换脚本
• scripts/batch_convert.py - 批量转换脚本
• scripts/extract_images.py - 图片提取脚本

每个脚本都有 --help 选项查看详细参数。

安装依赖

Python 版本要求

markitdown 需要 Python 3.10 或更高版本。

检查 Python 版本：

python3.12 --version  # 或 python3.11, python3.13

安装 markitdown

使用 Python 3.10+ 安装：

# 使用 Python 3.12（推荐）
# 使用虚拟环境（适用于非root用户，如node用户）
python3.12 -m venv markitdown-env
source markitdown-env/bin/activate
pip install "markitdown[all]"

# 或安装pipx包管理应用，通过pipx安装markitdown
sudo apt-get install pipx
# 使用pipx安装markitdown包 all表示支持所有格式
pipx install 'markitdown[all]'
# 将通过pipx安装的包路径放入当前变量PATH内
pipx ensurepath

可选：系统依赖

某些格式转换可能需要额外的系统依赖：

• PDF 处理: brew install poppler (macOS) 或 sudo apt-get install poppler-utils (Linux)
• OCR: brew install tesseract (macOS) 或 sudo apt-get install tesseract-ocr (Linux)

验证安装

python3.12 -c "from markitdown import MarkItDown; print('安装成功!')"

使用脚本

所有脚本都支持使用特定 Python 版本运行：

# 使用 Python 3.12 运行
python3.12 scripts/convert.py input.pdf output.md
python3.12 scripts/batch_convert.py input_folder/ output_folder/
python3.12 scripts/extract_images.py document.pdf images_folder/

另请参阅

• Microsoft MarkItDown - 上游库