MarkItDown

Python tool for converting files and office documents to Markdown.

open-sourceenterprise-agent-platforms

Visit Website View on GitHub

187.8k

Stars

+15183

Stars/month

104

Commits (90d)

Releases (6m)

Star Growth

+95.1k (102.6%)

Overview

markitdown 是一个轻量级 Python 工具，专门将各种文件格式转换为 Markdown，为 LLM 和文本分析管道优化。由 Microsoft AutoGen 团队开发，这个工具支持广泛的文件格式，包括 PDF、PowerPoint、Word、Excel、图像（带 OCR）、音频（带语音转录）、HTML、CSV、JSON、XML、ZIP 文件、YouTube URL 和 EPub 等。与传统的文本提取工具不同，markitdown 专注于保留重要的文档结构元素，如标题、列表、表格和链接，同时输出高度兼容 LLM 的 Markdown 格式。该工具的设计理念是 Markdown 格式对主流 LLM（如 GPT-4）极其友好，因为这些模型在训练中接触了大量 Markdown 文本，能够原生理解和生成 Markdown。此外，Markdown 格式在 token 使用上也很高效。markitdown 还提供 MCP（Model Context Protocol）服务器集成，可与 Claude Desktop 等 LLM 应用无缝协作。该工具采用流式处理，不创建临时文件，提高了性能和安全性。

Deep Analysis

Key Differentiator

Microsoft's official document-to-Markdown converter for LLMs — built by the AutoGen team with MCP server support, unlike textract which predates the LLM era

⚡ Capabilities

• Convert 15+ file formats to Markdown (PDF, Word, Excel, PPT, images, audio)
• Preserve document structure (headings, tables, lists, links)
• OCR support via LLM Vision (markitdown-ocr plugin)
• Audio speech transcription
• Azure Document Intelligence integration
• MCP server for LLM application integration
• Plugin system for extensibility
• CLI and Python API

🔗 Integrations

OpenAIAzure Document IntelligenceMCPClaude Desktop

✓ Best For

✓ Converting documents to Markdown for LLM consumption in RAG pipelines
✓ Batch document processing for AI text analysis

✗ Not Ideal For

✗ High-fidelity document conversion for human consumption
✗ Real-time document streaming

Languages

Python

Deployment

pip installDockerCLI tool

Pricing Detail

Free: Completely free and open-source (MIT)

Paid: No paid tier; Azure Document Intelligence costs apply if used

⚠ Known Limitations

⚠ Output optimized for LLMs, not high-fidelity human reading
⚠ OCR quality depends on LLM Vision model used
⚠ Python 3.10+ required
⚠ Limited formatting preservation for complex layouts

Pros

+ 支持超过 10 种文件格式，包括办公文档、图像 OCR 和音频转录，覆盖面极广
+ 专为 LLM 优化的 Markdown 输出，保留文档结构的同时确保 AI 模型兼容性
+ 提供 MCP 服务器集成，可直接与 Claude Desktop 等 AI 应用协作

Cons

- 版本间有重大变更，从 0.0.1 到 0.1.0 的 API 变化可能影响现有代码
- 需要 Python 3.10 或更高版本，对旧环境支持有限
- 主要面向机器分析而非人类阅读，可能不适合高保真度的文档转换需求

Use Cases

• 为 LLM 分析准备各类办公文档和 PDF，提取结构化文本内容
• 构建文档处理管道，将多格式文件批量转换为统一的 Markdown 格式
• 集成到 AI 工作流中，通过 OCR 和语音转录处理图像和音频内容

Getting Started

1. 安装：pip install 'markitdown[all]' 获取完整功能；2. 导入并创建转换器：from markitdown import MarkItDown, md = MarkItDown()；3. 转换文件：result = md.convert('document.pdf') 并访问 result.text_content 获取 Markdown 文本