dvcrn 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
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）
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
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/