Для тех, кому действительно нужно.
Microsoft выпустила на GitHub открытый инструмент MarkItDown — библиотеку Python для преобразования файлов и офисных документов в формат Markdown. Этот легковесный язык разметки с простым текстовым синтаксисом — его легко читать, писать и понимать.
Благодаря чёткому и предсказуемому синтаксису Markdown, алгоритмы ИИ могут легко анализировать текст и понимать его структуру. Markdown поддерживается многими популярными инструментами, включая GitHub и блокноты Jupyter.
MarkItDown поддерживает следующие форматы файлов:
- PDF (.pdf)
- PowerPoint (.pptx)
- Word (.docx)
- Excel (.xlsx)
- Изображения (метаданные EXIF и OCR)
- Аудио (метаданные EXIF и транскрипция речи)
- HTML (специальная обработка Wikipedia и др.)
- Различные текстовые форматы (csv, json, xml и др.)
Библиотека распространяется по открытой лицензии MIT, позволяющей разработчикам свободно использовать, изменять и распространять код с обязательным указанием авторства и оригинальной лицензии. MarkItDown можно скачать с GitHub, установить с помощью команды pip install markitdown или из исходников командой pip install -e.
Кроме того, MarkItDown можно настроить для использования больших языковых моделей (LLM) при описании изображений. Для этого необходимо указать параметры mlm_client и mlm_model в объекте MarkItDown.
Преобразованные файлы можно использовать для индексации, текстового анализа и других задач.