体验下微软开源的Markdown转换工具Markitdown

Nicksxs's Blog

学一下chrome的扩展开发看下chrome的内置模型从 app.test 到小锁：valet 本地 HTTPS 的完整链路浅析一下jpeg图片格式及其来源关于github拉取下载加速的另一个方式关于适合什么模型,推荐下llmfit 看看目前本地能跑什么模型,使用llama.cpp 最近使用vibe coding的一些感悟使用php的inotify扩展来监听文件变更一些设计模式的记忆点使用xiaomi mimo大模型api运行Hermes Agent 结合Obsidian的cli的一体化体验开始尝试使用obsidian作为笔记软件学习下大神的知识库学习下git的worktree 一些架构师知识点的记录解答一下关于traefik的一点疑惑记录一下迁移服务器需要使用的一些命令较早代iPhone更换新iPhone的一些小指南如何查看mac的路由表和网关等信息如何开启mysql的optimizer trace 浅析下mysql的索引的基数与可选择性分享个加速github访问的方法学习体验下Koupleless框架-浅析代码学习体验下Koupleless框架体验下nocodb这个神奇的系统学习下MDC的机制重新复习理解下java的类加载器记录下ffmpeg命令尝试学习理解下Claude Code的实现原理和细节在Antigravity中对比体验Claude Sonnet 4.5模型来看下我装备了5060TI显卡的gpt-oss模型表现来看下google最新力作Antigravity的水平如何

2026-04-05 · via Nicksxs's Blog

这个工具的来源是看到了大神的个人知识库的文章，比之以前可能都是以rag的形式，现在是通过直接让大模型学习提取原始知识文档，来给自己做个人知识库的索引和整理，那么有一个前提是大模型更擅长的文档格式是纯文本的，或者说就是以Markdown的形式，因为既有段落格式，又是相对纯文本的，便于输入大模型.
那很多情况我们就需要把我们现有的文档转换成Markdown形式，便于大模型去分析理解
刚好想起来前阵子微软开源了这么个工具，
仓库在这里
我们就来简单的使用体验下

1
2
3

git clone git@github.com:microsoft/markitdown.git
cd markitdown
pip3 install -e 'packages/markitdown[all]'

我们不去具体阅读代码，就是来使用体验下
可以直接把仓库Clone下来，然后安装就可以了
简单的使用说明是

usage: SYNTAX:

    markitdown <OPTIONAL: FILENAME>
    If FILENAME is empty, markitdown reads from stdin.

EXAMPLE:

    markitdown example.pdf

    OR

    cat example.pdf | markitdown

    OR

    markitdown < example.pdf

    OR to save to a file use

    markitdown example.pdf -o example.md

    OR

    markitdown example.pdf > example.md

Convert various file formats to markdown.

我们可以用最贱的方式

1	markitdown path-to-file.pdf > document.md

我在网上找了个transformer的论文中文版pdf
来转换成markdown试一下
发现其实这个转换还是限制挺大的，并没有非常全能
比如pdf中是文本的表格
也会错乱的比较多

模型	BLEU	训练成本（FLOPs）
cmidrule
	EN-DE EN-FR	EN-DE	EN-FR
————	———–	—–	—–
ByteNet [18]	23.75
1.0 ⋅ 1020
Deep-Att + PosUnk [39]	39.2
——————————-	———–	———-	———-
GNMT + RL [38]	24.6 39.92	2.3 ⋅ 1019	1.4 ⋅ 1020
		9.6 ⋅ 1018	1.5 ⋅ 1020
ConvS2S [9]	25.16 40.46
MoE [32]	26.03 40.56	2.0 ⋅ 1019	1.2 ⋅ 1020
Deep-Att + PosUnk Ensemble [39]	40.4		8.0 ⋅ 1020
		1.8 ⋅ 1020	1.1 ⋅ 1021
GNMT + RL Ensemble [38]	26.30 41.16
ConvS2S Ensemble [9]	26.36 41.29	7.7 ⋅ 1019	1.2 ⋅ 1021
第6张的表就变成了这样子，可能还是主体的文本稍微好一点
但是论文相对来说结构也不是那么已读也是个原因
另外如果是非文本型的可能还是需要结合外部的ocr和大模型来辅助提取内容
可以用markitdown的插件系统
markitdown-ocr Plugin
The markitdown-ocr plugin adds OCR support to PDF, DOCX, PPTX, and XLSX converters, extracting text from embedded images using LLM Vision — the same llm_client / llm_model pattern that MarkItDown already uses for image descriptions. No new ML libraries or binary dependencies required.

1 2	pip install markitdown-ocr pip install openai # or any OpenAI-compatible client

然后通过代码设置

from markitdown import MarkItDown
from openai import OpenAI

md = MarkItDown(
    enable_plugins=True,
    llm_client=OpenAI(),
    llm_model="gpt-4o",
)
result = md.convert("document_with_images.pdf")
print(result.text_content)

这样就能把包含图片的信息也进行转换，迫于没有外国信用卡，我就没法演示了

此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。原文来自 — 版权归原作者所有。

推荐订阅源

Nicksxs's Blog