MarkItDown [Wiki]

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== MarkItDown ======

[[https://github.com/microsoft/markitdown|MarkItDown]] je lehký Python nástroj od Microsoftu pro převod různých formátů souborů do Markdownu. Primárně je určen pro přípravu obsahu pro LLM a textové analytické pipeline.

Na rozdíl od nástrojů jako [[software:dokumentace:pandoc|Pandoc]] se MarkItDown zaměřuje na zachování struktury dokumentu (nadpisy, tabulky, seznamy, odkazy) spíše než na vizuální věrnost výstupu.

===== Podporované formáty =====

  * PDF
  * PowerPoint (.pptx)
  * Word (.docx)
  * Excel (.xlsx, .xls)
  * Obrázky (EXIF metadata, OCR)
  * Audio (EXIF metadata, přepis řeči)
  * HTML
  * Textové formáty (CSV, JSON, XML)
  * ZIP (iteruje obsah)
  * YouTube URL (přepis titulků)
  * EPub
  * a další

===== Instalace =====

Požadavky: Python 3.10 nebo vyšší.


==== Ze zdrojového kódu (pro vývoj nebo úpravy) ====

<code bash>
# 1. Klonovat repozitář
git clone https://github.com/microsoft/markitdown.git markitdown

# 2. Vytvořit virtuální prostředí uvnitř složky projektu
python3 -m venv markitdown/.venv

# 3. Nainstalovat závislosti přes venv pip
markitdown/.venv/bin/pip install -e 'markitdown/packages/markitdown[all]'
</code>

Přepínač ''-e'' (editable install) zajistí, že změny ve zdrojovém kódu se projeví okamžitě bez reinstalace.

Přípona ''[all]'' nainstaluje všechny volitelné závislosti. Lze instalovat jen vybrané formáty:

<code bash>
pip install 'markitdown[pdf,docx,pptx]'
</code>

^ Skupina ^ Formát ^
| ''[pptx]'' | PowerPoint |
| ''[docx]'' | Word |
| ''[xlsx]'' | Excel |
| ''[xls]'' | Starší Excel |
| ''[pdf]'' | PDF |
| ''[outlook]'' | Outlook zprávy |
| ''[audio-transcription]'' | WAV a MP3 |
| ''[youtube-transcription]'' | YouTube titulky |
| ''[az-doc-intel]'' | Azure Document Intelligence |

===== Použití =====

==== Příkazová řádka ====

<code bash>
# Základní konverze
markitdown dokument.pdf > dokument.md

# Se zadáním výstupního souboru
markitdown dokument.pdf -o dokument.md

# Pipe
cat dokument.pdf | markitdown

markitdown/.venv/bin/markitdown soubor.pdf > soubor.md 
</code>

==== Python API ====

<code python>
from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("soubor.xlsx")
print(result.text_content)
</code>

S popisem obrázků přes LLM (pouze pro PPTX a obrázky):

<code python>
from markitdown import MarkItDown
from openai import OpenAI

client = OpenAI()
md = MarkItDown(llm_client=client, llm_model="gpt-4o")
result = md.convert("prezentace.pptx")
print(result.text_content)
</code>

==== Azure Document Intelligence ====

<code bash>
markitdown dokument.pdf -o dokument.md -d -e "<endpoint>"
</code>

==== MCP server ====

MarkItDown nabízí také MCP server pro integraci s LLM aplikacemi (Claude Desktop apod.) — viz balíček [[https://github.com/microsoft/markitdown/tree/main/packages/markitdown-mcp|markitdown-mcp]].

===== Viz také =====

  * [[software:dokumentace:pandoc|Pandoc]] — univerzální konvertor dokumentů
  * [[ai:zapisy-a-workflow:workflow:prevod-dokumentu-na-markdown|Marker]] — převod dokumentů na Markdown s vysokou přesností (OCR)