MarkItDown: Chuyển Đổi Tài Liệu Cho LLM Bằng Python

Chuyển Đổi Tài Liệu Sang Markdown

MarkItDown là thư viện Python của Microsoft, chuyển file — PDF, Word, PowerPoint, Excel, ảnh, audio, HTML, file ZIP, thậm chí URL YouTube — thành Markdown. Nó giữ nguyên tiêu đề, danh sách, bảng và link thay vì làm phẳng mọi thứ thành văn bản trơn, nên code phía sau vẫn phân biệt được đâu là bảng, đâu là đoạn văn. Repo tự mô tả là gần giống textract nhất, nhưng nhắm vào máy đọc chứ không phải một tài liệu trình bày đẹp.

Định Dạng File Và Tuỳ Chọn Chuyển Đổi Được Hỗ Trợ

• ✓Chuyển PDF, PowerPoint, Word, Excel, HTML, CSV/JSON/XML, file ZIP, EPub và URL YouTube sang Markdown, cộng thêm ảnh và audio qua EXIF metadata và OCR/speech transcription
• ✓Công cụ dòng lệnh (`markitdown path-to-file.pdf > document.md`) và Python API (`MarkItDown().convert()`)
• ✓Backend Azure Document Intelligence tuỳ chọn để trích xuất layout trên cloud
• ✓Backend Azure Content Understanding tuỳ chọn, thêm trích xuất field có cấu trúc (số tiền hoá đơn, ngày tháng) dưới dạng YAML front matter, cộng hỗ trợ audio và video
• ✓Hệ thống plugin bên thứ ba, mặc định tắt, bật bằng `--use-plugins`; plugin chính thức `markitdown-ocr` thêm OCR bằng LLM Vision cho PDF, DOCX, PPTX và XLSX
• ✓Mô tả ảnh do LLM sinh ra (tuỳ chọn) cho file PPTX và ảnh khi bạn truyền `llm_client` và `llm_model`

Bắt Đầu Với MarkItDown

Yêu cầu Python 3.10 trở lên. Cài đầy đủ tính năng bằng `pip install 'markitdown[all]'`, hoặc cài một phần như `pip install 'markitdown[pdf,docx,pptx]'` để bỏ qua các dependency không cần. Cài từ source: `git clone [email protected]:microsoft/markitdown.git`, `cd markitdown`, `pip install -e 'packages/markitdown[all]'`. Repo cũng có sẵn Dockerfile (`docker build -t markitdown:latest .`).

Chuyển Đổi File Với MarkItDown

Qua CLI: `markitdown path-to-file.pdf > document.md`, hoặc dùng `-o document.md` để đặt tên file output, hoặc pipe input bằng `cat path-to-file.pdf | markitdown`. Qua Python: `from markitdown import MarkItDown; md = MarkItDown(); result = md.convert("test.xlsx"); print(result.text_content)`. Truyền `docintel_endpoint` để định tuyến qua Azure Document Intelligence, hoặc `cu_endpoint` cho Azure Content Understanding — công cụ này tự chọn analyzer theo từng loại file và có thể trả field có cấu trúc dưới dạng YAML front matter, tính phí theo mỗi lần gọi Azure API.

MarkItDown So Với Các Công Cụ Trích Xuất Văn Bản Khác

Câu Hỏi Thường Gặp

Vấn đề mà nó giải quyết

Tài liệu cần đưa vào LLM thường ở dạng PDF, DOCX, PPTX, XLSX hoặc ảnh scan — những định dạng mà mô hình ngôn ngữ không đọc trực tiếp được, và nếu trích xuất văn bản kiểu thô thì tiêu đề, bảng, cấu trúc danh sách mà mô hình có thể tận dụng sẽ bị mất. MarkItDown giải quyết đúng khoảng trống đó: biến một đống file Office và PDF hỗn tạp thành Markdown mà model có thể đọc theo đúng cách nó được huấn luyện.

Trường hợp sử dụng tốt nhất

• •Nạp hàng loạt PDF và file Office vào chỉ mục RAG — chuyển một lần, rồi chia nhỏ và tạo embedding từ Markdown
• •Trích xuất field hoá đơn hay hợp đồng ở quy mô lớn bằng cách định tuyến PDF qua backend Azure Content Understanding, trả về giá trị trích xuất dưới dạng YAML front matter thay vì phải viết thêm bước parse riêng
• •Đưa URL YouTube hoặc file audio vào pipeline văn bản qua tính năng transcription tích hợp sẵn
• •Giải nén và chuyển đổi một archive gồm nhiều loại file trong một lần chạy, vì MarkItDown tự động duyệt qua nội dung file ZIP

Ai nên dùng — và ai nên bỏ qua

Nên thử MarkItDown nếu bạn đang xây pipeline RAG hoặc ứng dụng LLM và cần biến PDF, file Office hay ảnh thành Markdown có thể parse được mà không phải tự viết parser cho từng định dạng. Bỏ qua nếu output cần đẹp cho người đọc, hoặc bạn cần độ chính xác OCR/document AI vượt xa những gì converter tích hợp sẵn hay add-on Azure cung cấp — cân nhắc điều đó trước khi chi ngân sách cho path Azure Content Understanding, vì nó tính phí theo từng lần gọi.

Repo liên quan