从一份没字的扫描件到整个文档库MarkItDown 5 分钟实测【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown打开一份扫描件 PDFCtrlF 搜不到任何文字——文件看起来像文档其实只是一堆扫描图片手工抄录又不现实。这正是文档转 Markdown 工具要解决的场景。MarkItDown 是一个把 PDF、Word、PPT、图片等文件转成 Markdown 的 Python 工具还能接入 LLM能看懂图片和文字的大语言模型完成扫描件 OCR用视觉模型识别图中文字与图片提字。下面按 安装 → 接入 LLM → 转换单文件 → 批量迁移 的完整流程走一遍。5 分钟装好转换第一份文档安装是一条命令[all]包会一次性带上 PDF、Word、PPT、Excel 等格式的依赖pip install markitdown[all] markitdown report.pdf report.md装完后只需要一条终端命令传入文件输出重定向到 .md 文件即可。带文字层的 PDF 能直接提出正文普通办公文档的标题、表格、列表结构也会保留。命令行和 Python API 是同一套接口脚本里写MarkItDown().convert(file.docx).text_content就能拿到结果。给转换器装上眼睛接入 LLM 从图片里提取文字装好之后的转换是纯本地的只读取文件里已有的数据。想提取图片里的文字——发票上手写的金额、带标注的几何图形——需要接一个 LLM。构造函数传入两个参数即可从一张图片里提出文字from openai import OpenAI from markitdown import MarkItDown md MarkItDown(llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(invoice.jpg).text_content)图片处理逻辑在 ImageConverter遇到图片时把图发给视觉模型把返回的描述写进 Markdown。同一套参数对 PPT 也生效——每张幻灯片里的图片都会带上模型生成的说明方便后续被检索命中。实践提示没配置 API 密钥时LLM 这一步会被静默跳过输出只剩图片元数据不会报错。发现结果里图片没描述先检查密钥。PDF 文字提取让扫描件合同开口说话回到开头的扫描件合同。普通转换只能得到空文本因为整页都是图片。官方插件 markitdown-ocr 补上了这块它以更高优先级为 PDF、Word、PowerPoint、Excel 注册带 OCR 的转换器对文件内嵌图片做识别整页都是图片的 PDF 还有整页识别兜底。这是典型的 LLM 文档处理场景。安装后命令行只需在原有命令上加--use-plugins参数Python 里则在MarkItDown()中传enable_pluginsTrue和同样的llm_client、llm_model。核心是 LLMVisionOCRService把图片转成 Base64连同提取全部文字并保留排版的提示词发给视觉模型PdfConverterWithOCR 逐页调用它并把识别出的文字放回对应位置文档原有结构得以保留。实践提示识别质量与扫描分辨率直接相关原图低于 150 DPI 时模型容易认错字300 DPI 重扫一次会稳定得多。批量迁移把整个文档库搬走命令行一次处理一个文件迁移整个文档库用 shell 循环包一层就够for f in scans/*.pdf; do markitdown $f --use-plugins md/$(basename ${f%.pdf}).md done扫描件目录里每个文件都会生成同名的 .md数字文件想省调用费用把--use-plugins去掉即可。按文档性质选转换路径纯本地转换LLM 辅助转换能提出什么内嵌文字、表格结构、文件元数据额外包括图片内文字、图片说明成本无需联网秒级完成需要视觉模型与 API 密钥按图片计费适合对象数字原生办公文档、带文字层 PDF扫描件、手写内容、图表、纯图片 PDF数字原生文档和带文字层的 PDF本地转换就够用出现较多图片或扫描件时再启用 LLM 辅助。两者可以在同一实例中混用——传了 client 才生效不传就静默走本地路径不需要额外的开关配置。【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
从一份没字的扫描件到整个文档库：MarkItDown 5 分钟实测
从一份没字的扫描件到整个文档库MarkItDown 5 分钟实测【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown打开一份扫描件 PDFCtrlF 搜不到任何文字——文件看起来像文档其实只是一堆扫描图片手工抄录又不现实。这正是文档转 Markdown 工具要解决的场景。MarkItDown 是一个把 PDF、Word、PPT、图片等文件转成 Markdown 的 Python 工具还能接入 LLM能看懂图片和文字的大语言模型完成扫描件 OCR用视觉模型识别图中文字与图片提字。下面按 安装 → 接入 LLM → 转换单文件 → 批量迁移 的完整流程走一遍。5 分钟装好转换第一份文档安装是一条命令[all]包会一次性带上 PDF、Word、PPT、Excel 等格式的依赖pip install markitdown[all] markitdown report.pdf report.md装完后只需要一条终端命令传入文件输出重定向到 .md 文件即可。带文字层的 PDF 能直接提出正文普通办公文档的标题、表格、列表结构也会保留。命令行和 Python API 是同一套接口脚本里写MarkItDown().convert(file.docx).text_content就能拿到结果。给转换器装上眼睛接入 LLM 从图片里提取文字装好之后的转换是纯本地的只读取文件里已有的数据。想提取图片里的文字——发票上手写的金额、带标注的几何图形——需要接一个 LLM。构造函数传入两个参数即可从一张图片里提出文字from openai import OpenAI from markitdown import MarkItDown md MarkItDown(llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(invoice.jpg).text_content)图片处理逻辑在 ImageConverter遇到图片时把图发给视觉模型把返回的描述写进 Markdown。同一套参数对 PPT 也生效——每张幻灯片里的图片都会带上模型生成的说明方便后续被检索命中。实践提示没配置 API 密钥时LLM 这一步会被静默跳过输出只剩图片元数据不会报错。发现结果里图片没描述先检查密钥。PDF 文字提取让扫描件合同开口说话回到开头的扫描件合同。普通转换只能得到空文本因为整页都是图片。官方插件 markitdown-ocr 补上了这块它以更高优先级为 PDF、Word、PowerPoint、Excel 注册带 OCR 的转换器对文件内嵌图片做识别整页都是图片的 PDF 还有整页识别兜底。这是典型的 LLM 文档处理场景。安装后命令行只需在原有命令上加--use-plugins参数Python 里则在MarkItDown()中传enable_pluginsTrue和同样的llm_client、llm_model。核心是 LLMVisionOCRService把图片转成 Base64连同提取全部文字并保留排版的提示词发给视觉模型PdfConverterWithOCR 逐页调用它并把识别出的文字放回对应位置文档原有结构得以保留。实践提示识别质量与扫描分辨率直接相关原图低于 150 DPI 时模型容易认错字300 DPI 重扫一次会稳定得多。批量迁移把整个文档库搬走命令行一次处理一个文件迁移整个文档库用 shell 循环包一层就够for f in scans/*.pdf; do markitdown $f --use-plugins md/$(basename ${f%.pdf}).md done扫描件目录里每个文件都会生成同名的 .md数字文件想省调用费用把--use-plugins去掉即可。按文档性质选转换路径纯本地转换LLM 辅助转换能提出什么内嵌文字、表格结构、文件元数据额外包括图片内文字、图片说明成本无需联网秒级完成需要视觉模型与 API 密钥按图片计费适合对象数字原生办公文档、带文字层 PDF扫描件、手写内容、图表、纯图片 PDF数字原生文档和带文字层的 PDF本地转换就够用出现较多图片或扫描件时再启用 LLM 辅助。两者可以在同一实例中混用——传了 client 才生效不传就静默走本地路径不需要额外的开关配置。【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考