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 (.doc, .docx)
- PowerPoint 演示文稿 (.ppt, .pptx)
- Excel 电子表格 (.xlsx)
- HTML 文件 (.html, .htm)
- 图片文件 (通过 OCR)
- 纯文本文件
- 等等...
快速开始
单个文件转换
CODEBLOCK0
使用提供的脚本
CODEBLOCK1
详细用法
单个文件转换
使用 scripts/convert.py：
CODEBLOCK2
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：
CODEBLOCK3
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：
CODEBLOCK4
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 - INLINECODE5 - 批量转换脚本
- INLINECODE6 - 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：
CODEBLOCK5
安装 markitdown
使用 Python 3.10+ 安装：
CODEBLOCK6
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 apt install poppler-utils (Linux) - OCR:
brew install tesseract (macOS) 或 apt install tesseract-ocr (Linux)
验证安装
CODEBLOCK7
使用脚本
所有脚本都支持使用特定 Python 版本运行：
CODEBLOCK8
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 (.doc, .docx)
- PowerPoint 演示文稿 (.ppt, .pptx)
- Excel 电子表格 (.xlsx)
- HTML 文件 (.html, .htm)
- 图片文件 (通过 OCR)
- 纯文本文件
- 等等...
快速开始
单个文件转换
python
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert(document.pdf)
print(result.text_content)
使用提供的脚本
bash
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 inputfolder/ output_folder/
提取文档中的图片
python3 scripts/extract
images.py document.pdf imagesfolder/
详细用法
单个文件转换
使用 scripts/convert.py：
bash
python3 scripts/convert.py file> [outputfile]
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：
bash
python3 scripts/batchconvert.py 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：
bash
python3 scripts/extractimages.py file>
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/batchconvert.py - 批量转换脚本
- scripts/extractimages.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：
bash
python3.12 --version # 或 python3.11, python3.13
安装 markitdown
使用 Python 3.10+ 安装：
bash
使用 Python 3.12（推荐）
python3.12 -m pip install --user --break-system-packages markitdown[all]
或使用虚拟环境
python3.12 -m venv markitdown-env
source markitdown-env/bin/activate
pip install markitdown[all]
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 apt install poppler-utils (Linux)
- OCR: brew install tesseract (macOS) 或 apt install tesseract-ocr (Linux)
验证安装
bash
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：
bash
使用 Python 3.12 运行
python3.12 scripts/convert.py input.pdf output.md
python3.12 scripts/batch
convert.py inputfolder/ output_folder/
python3.12 scripts/extract
images.py document.pdf imagesfolder/
