microsoft/markitdown
# 技术雷达学习卡：microsoft/markitdown
一、一句话定位
轻量级 Python 工具，将 PDF、Word、Excel、图片、音频等多种文件统一转为 Markdown，专供 LLM 和文本分析管道消费。
二、核心技术/架构亮点
1. 多格式统一接口：支持 PDF、PPT、Word、Excel、图片（EXIF+OCR）、音频（转录）、HTML、CSV/JSON/XML、ZIP、YouTube URL、EPub 等十余种格式。
2. 结构保留优先：输出 Markdown 保留标题、列表、表格、链接等关键结构，同时保持 token 高效。
3. 插件系统：支持第三方插件（如 markitdown-ocr 用 LLM Vision 做 OCR），通过 `#markitdown-plugin` 可发现扩展。
4. 可选依赖 & 按需安装：`markitdown[pdf,docx,...]` 或 `[all]`，避免冗余依赖。
5. 云原生扩展：集成 Azure Content Understanding，提供更高精度的结构化字段提取、音视频分析及自定义分析器。
三、适用场景与目标用户
- 场景：LLM 数据预处理、RAG 文档解析、知识库建设、多模态内容转文本分析。
- 目标用户：AI/ML 工程师、数据科学家、需要将异构文档统一转 Markdown 的开发者。
四、可动手动作
1. 立即安装试用：`pip install 'markitdown[all]'` 然后执行 `markitdown example.pdf -o output.md`。
2. Python API 集成：`from markitdown import MarkItDown; md = MarkItDown(); result = md.convert("file.pptx")`。
3. 体验插件：安装 `pip install markitdown-ocr openai`，传入 `llm_client` 实现图片 OCR。
4. 借鉴架构：项目采用模块化 Converter + 可选依赖 + 插件钩子，可参考设计自己的格式转换库。
五、学习优先级
P0（本周动手）
理由：工具即用，能立刻解决多格式转 Markdown 的常见痛点，降低 LLM 项目数据清洗成本，且微软长期维护，投入产出比极高。⌂