微软开源MarkitDown，RAG文档解析就这么解决了~

作者
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

（文：PaperAgent）

发表评论