微软开源MarkitDown，RAG文档解析就这么解决了~

文章预览

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 ………………………………