MarkItDown发布 帮助Office转换Markdown

微软在其旗下的 GitHub 平台上发布了一款名为 MarkItDown 的开源 Python 库。这款工具的主要功能是能够将包括 Office 文档在内的多种文件格式转换成 Markdown 格式。Markdown 是一种轻量级的标记语言，它允许人们使用易读易写的纯文本格式编写文档，然后转换成结构化的 HTML（网页标准语言）。

MarkItDown 的推出为用户带来了诸多便利，特别是在文本索引和分析等场景中。例如，当企业或个人需要对大量的 Office 文档进行整理、归档或是内容提取时，该工具可以高效地将这些文档转换为易于处理的 Markdown 文件。此外，开发者还可以利用这一工具与大型语言模型结合，实现如图像描述等功能的增强，为用户提供更加丰富的内容体验。

值得注意的是，MarkItDown 库是在 MIT 开源许可下发布的。这意味着开发人员可以在遵循一定条件的前提下自由使用、修改和分发这个库。MIT 许可证是一种宽松的自由软件许可证，要求使用者在再发行包含原代码或其衍生作品的产品时，必须附带原始的许可证声明以及版权声明，确保原作者的权益得到保护的同时，也促进了软件的共享和创新。

随着越来越多的企业和个人开始重视信息管理和自动化流程，像 MarkItDown 这样的工具无疑会成为提高工作效率、简化文档处理流程的重要助手。无论是对于寻求优化内部文档管理系统的公司，还是希望快速处理大量文档的个人用户而言，MarkItDown 都提供了一个强大且灵活的选择。

开发人员还可以配置 MarkItDown 库，使用大型语言模型来描述图像，需要将 mlm_client 和 mlm_model 参数设置为 MarkItDown 对象，如下所示：

from markitdown import MarkItDown
from openai import OpenAI
client = OpenAI()
md = MarkItDown(mlm_client=client, mlm_model="gpt-4o")
result = md.convert("example.jpg")
print(result.text_content)

MarkItDown 库当前支持的文件格式如下：

PDF (.pdf)

PowerPoint (.pptx)

Word (.docx)

Excel (.xlsx)

Images (EXIF metadata, and OCR)

Audio (EXIF metadata, and speech transcription)

HTML (special handling of Wikipedia, etc.)

其它各种文本格式 (csv, json, xml, etc.)