markitdown

Source: https://github.com/aipoch/medical-research-skills

使用場面

• 研究論文やレポート(PDF/DOCX/EPUB/HTML)をMarkdownに変換し、LLMの要約、Q&A、またはRAGインデックス作成に利用する
• スプレッドシート(XLSX/CSV)からテーブルと構造化コンテンツをMarkdownに抽出し、分析またはドキュメント作成に使用する
• スライドデッキ(PPTX)をMarkdownノートに変換する(スピーカーノートと、オプションでAI生成の画像説明を含む)
• OCRを使用して画像またはスキャン文書を処理し、検索可能で編集可能なMarkdownテキストを取得する
• オーディオ(WAV/MP3)またはYouTubeトランスクリプトをMarkdownに変換し、会議メモ、コンテンツ分析、またはナレッジベースに使用する

主な機能

• 多数のフォーマットを構造化されたMarkdownに変換(PDF、DOCX、PPTX、XLSX、画像、オーディオ、HTML、CSV、JSON、XML、ZIP、EPUB、YouTube URLなど)
• LLMパイプライン(要約、チャンキング、エンベディング)に適したトークン効率的な出力を生成
• OCRサポート(OCR依存関係がインストールされている場合)
• オーディオトランスクリプション機能(トランスクリプション依存関係がインストールされている場合)
• OpenAI互換クライアント(例:OpenRouter)による、オプショナルなAI強化画像/スライド説明機能
• フォーマットサポートとカスタム動作を拡張するためのプラグインシステム
• 大規模ファイル向けのストリームベースの変換API

依存関係

• Python: >=3.9(推奨)
• パッケージ:
  • markitdown[all](すべてのオプションフォーマットハンドラーをインストール)

オプショナルなシステム依存関係(機能に応じて):

• Tesseract OCR: tesseract-ocr(画像/スキャンテキストのOCR用)

オプショナルな外部サービス(機能に応じて):

• Azure Document Intelligenceエンドポイント(PDF抽出の向上用)
• OpenAI互換LLMエンドポイント(例:OpenRouter)(AI画像説明用)

使用例

インストール

pip install 'markitdown[all]'

CLI: PDFをMarkdownに変換

markitdown document.pdf -o output.md

Python: 複数フォーマット(PDF/XLSX/PPTX/DOCX)を変換して出力を保存

from pathlib import Path
from markitdown import MarkItDown

md = MarkItDown()

files = [
    "document.pdf",
    "spreadsheet.xlsx",
    "presentation.pptx",
    "notes.docx",
]

for path in files:
    result = md.convert(path)
    out = Path(path).with_suffix(".md")
    out.write_text(result.text_content, encoding="utf-8")
    print(f"Converted {path} -> {out}")

Python: ストリーム変換(大規模ファイルに有用)

from markitdown import MarkItDown

md = MarkItDown()

with open("large_file.pdf", "rb") as f:
    result = md.convert_stream(f, file_extension=".pdf")

with open("large_file.md", "w", encoding="utf-8") as out:
    out.write(result.text_content)

Python: AI強化画像/スライド説明(OpenAI互換、例:OpenRouter)

from markitdown import MarkItDown
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_OPENROUTER_API_KEY",
    base_url="https://openrouter.ai/api/v1",
)

md = MarkItDown(
    llm_client=client,
    llm_model="anthropic/claude-opus-4.5",
    llm_prompt="Describe this image in detail for scientific documentation.",
)

result = md.convert("presentation.pptx")
print(result.text_content)

実装の詳細

• 変換エントリーポイント

  • MarkItDown().convert(path)はパス/URLからファイルを変換し、主なペイロードがresult.text_content(Markdown)であるオブジェクトを返します
  • MarkItDown().convert_stream(stream, file_extension=".pdf")はバイナリストリームから変換します。大規模ファイルまたはデータがディスク上にない場合に使用してください

• フォーマットハンドリング

  • フォーマットサポートはオプショナルな追加機能(例:pdf、docx、pptx、xlsx、audio-transcription、youtube-transcription)またはallによって提供されます
  • ZIP入力は、通常は含まれるファイルを反復処理し、サポートされている各エントリーを変換することで処理されます

• OCR

  • 画像/スキャン文書の場合、OCRツールが利用可能な場合(一般的にはTesseract)にOCRが有効になります。OSレベルのOCRバイナリがインストールされ、PATH内でアクセス可能であることを確認してください

• AI画像説明

  • llm_client、llm_model、llm_promptが指定された場合、MarkItDownは画像(スライド画像を含む)のモデル生成説明をリクエストし、その説明をMarkdown出力に挿入できます
  • base_urlとapi_keyを設定することで、任意のOpenAI互換クライアント(例:OpenRouter)を使用できます

• PDF抽出の向上(Azure Document Intelligence)

  • Document Intelligenceエンドポイントで設定された場合、複雑なレイアウト(テーブル、マルチカラムテキスト、スキャンPDF)のPDF抽出が改善され、より忠実なMarkdown構造が生成されます

• プラグイン

  • プラグインはCLIからリストアップおよび有効化でき(例:--list-plugins、--use-plugins)、変換動作を拡張または新しいフォーマットハンドラーを追加できます