自然语言处理:第八十七章微软开源MarkitDown，RAG文档解析就这么解决了~

本人项目地址大全：Victor94-king/NLP__ManVictor: 优快云 of ManVictor

写在前面: 笔者更新不易，希望走过路过点个关注和赞，笔芯!!!

RAG有这么一个说法：“垃圾进，垃圾出”，文档解析与处理以获取高质量数据至关重要。近期，微软开源了 MarkItDown ，一款将各种文件转换为 Markdown 的实用程序（用于索引、文本分析等）。

https://x.com/shao__meng/status/1867348058662744236

MarkItDown支持 ：

PDF
PPT
Word
Excel
图像（EXIF 元数据和 OCR）
音频（EXIF 元数据和语音转录）
HTML
基于文本的格式（CSV、JSON、XML）
ZIP 文件

MarkItDown使用

使用 pip: pip install markitdown。或者，从源代码安装它：pip install -e .

Python中的基本用法：

from markitdown import MarkItDown 
md = MarkItDown() result = md.convert("test.xlsx") 
print(result.text_content)

要使用大型语言模型进行图像描述，请提供llm_client和llm_model：

from markitdown import MarkItDown 
from openai import OpenAI client = OpenAI() 
md = MarkItDown(llm_client=client, llm_model="gpt-4o") 
result = md.convert("example.jpg") print(result.text_content)

MarkItDown试用

https://www.html.zone/markitdown/

https://github.com/microsoft/markitdown

自然语言处理:第八十七章 微软开源MarkitDown，RAG文档解析就这么解决了~

自然语言处理:第八十七章微软开源MarkitDown，RAG文档解析就这么解决了~