MarkItDown

概要

【概要】 PDF、PowerPoint、Word、Excel、画像、音声、HTML、CSV、JSON、XML、ZIPファイル、YouTube URL、EPubなど多様な入力形式をMarkdown形式に変換する。出力はMarkdown形式で、見出し・リスト・表・リンクなどの構造を保持する。 【主な機能】 ・見出しやリスト、表、リンクなどの文書構造を保ったままMarkdownへ変換 ・Markdown表記はトークン効率が高い ・画像に対するOCR処理 ・音声ファイルの文字起こし ・EXIFメタデータの抽出 ・ZIPファイル内のコンテンツを反復処理 ・YouTube URLからの文字起こし取得 ・プラグインによる対応フォーマットの拡張 ・Azure Document Intelligenceと連携した高品質な変換 ・Azure Content Understandingと連携した構造化フィールド抽出、および文書・画像・音声・動画のマルチモーダル対応 ・llm_client/llm_modelを用いたLLMによる画像説明生成 ・コマンドラインインターフェース ・Dockerによる実行サポート ・サードパーティ製プラグインに対応 ・ファイル形式ごとに解析方式を自動選択するゼロコンフィグ設計 【想定利用者】 LLMアプリケーション開発者、テキスト分析パイプラインを構築する開発者向け。 【連携】 OpenAI、Azure Document Intelligence、Azure Content Understanding、Dockerと連携可能。 【制限事項】 ・出力は人間にとって読みやすい場合もあるが、基本的にはテキスト分析ツールでの利用を想定しており、人間向けの高忠実度な文書変換には最適ではない場合がある。 ・現在のプロセスの権限でI/Oを実行するため、open()やrequests.get()と同様に、そのプロセスがアクセス可能なリソースにのみアクセスする。 ・追加のアプリケーションやサービス、サーバーの受け入れは行っていない。

基本情報