Apa itu MarkItDown
MarkItDown adalah paket Python dan alat baris perintah sumber terbuka dari Microsoft, dengan lisensi MIT. Alat ini mengubah banyak jenis file menjadi Markdown untuk model bahasa dan analisis teks: PDF, Word, PowerPoint, Excel, HTML, CSV, JSON dan XML, EPUB, arsip ZIP, dan lainnya. Keterangan gambar dan transkripsi audio memakai layanan yang di-host di web.
Kekuatannya ada pada keluasan: satu panggilan menangani satu folder penuh berisi file kantor campuran. Khusus untuk PDF, konverter bawaannya mengekstrak teks dengan pdfminer.six, dan memakai pdfplumber untuk halaman yang ditata seperti formulir atau tabel.
pdftomd bukan MarkItDown dan tidak menjalankannya. Ini konverter terpisah yang dibuat khusus untuk PDF dan berjalan di browser Anda. Halaman ini menjelaskan perbedaannya, dan cara menjalankan MarkItDown sendiri jika itu yang Anda perlukan.
Cara menjalankan MarkItDown
Dibutuhkan Python 3.10 atau lebih baru. Pasang dengan dependensi PDF saja:
pip install 'markitdown[pdf]'
Konversi file dari baris perintah:
markitdown report.pdf -o report.md
Atau dari Python:
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("report.pdf")
print(result.markdown)
Kami menjalankan persis ini dengan versi 0.1.9 untuk benchmark kami. Pakai 'markitdown[all]' alih-alih [pdf] untuk menambahkan Word, PowerPoint, Excel, dan format lainnya.
Yang Anda dapatkan dari PDF
Pada kumpulan 16 PDF publik kami, MarkItDown 0.1.9 menghasilkan:
- Teks biasa tanpa judul. Tidak ada satu dokumen pun yang mendapat judul
#, jadi kerangka laporan atau makalah hilang. - Pergantian baris dan tanda hubung PDF. Kalimat terpotong di setiap akhir baris PDF, dan 307 kata tetap terbelah oleh tanda hubung di akhir baris, seperti
pur- suant. - Header dan footer halaman tetap ada, berulang di setiap halaman.
- Teks hilang pada makalah riset. Pada tiga makalah riset, kira-kira setengah sampai tiga perempat kata tidak ada di hasilnya.
- Tidak ada apa-apa dari pindaian. Instalasi bawaan tidak punya OCR untuk PDF, jadi halaman hasil pindai keluar kosong. Plugin
markitdown-ocrmenambahkan OCR dengan mengirim gambar halaman ke model visi melalui API yang Anda atur.
Hasilnya baik pada dokumen yang lebih sederhana: putusan pengadilan, formulir, serta teks bahasa Tionghoa, Jepang, dan Korea mempertahankan semua katanya. Angka lengkap per dokumen ada di benchmark kami.
PDF yang sama di pdftomd
| MarkItDown 0.1.9 | pdftomd | |
|---|---|---|
| Berjalan di | Python, di komputer Anda | Browser Anda, di komputer Anda |
| Instalasi | pip install 'markitdown[pdf]' | Tidak perlu |
| Format | PDF, Office, HTML, EPUB, dan lainnya | |
| Judul | Tidak | Ya, dari ukuran dan ketebalan huruf |
| Paragraf | Pergantian baris PDF dipertahankan | Baris disatukan menjadi paragraf |
| Header, footer, nomor halaman | Dipertahankan | Dihapus, dengan sakelar untuk mempertahankannya |
| Tanda hubung di akhir baris | Dipertahankan | Disambung, dicek dengan daftar kata |
| Tabel | Sebagai teks, atau tabel di halaman mirip formulir | Tabel Markdown, halaman bertabel ditandai |
| PDF hasil pindai | Plugin dengan model visi di cloud | OCR di browser, bawaan |
| Jumlah token dan chunk RAG | Tidak | Ya |
| Lisensi | MIT | Gratis dipakai |
Jika Anda juga perlu mengonversi file Word atau PowerPoint, atau sedang menulis pipeline dengan Python, MarkItDown pilihan yang lebih praktis. Untuk PDF, terutama jika Anda ingin hasilnya sekarang, pakai konverter di bagian atas halaman ini.
Pertanyaan umum
Apakah ada situs resmi MarkItDown?
MarkItDown diterbitkan sebagai paket Python dan di GitHub. Microsoft tidak menyediakannya sebagai situs web, jadi situs bernama "MarkItDown online" dijalankan pihak ketiga, dan mesin di baliknya berbeda-beda. pdftomd tidak menjalankan MarkItDown dan tidak mengunggah file Anda.
Bisakah MarkItDown membaca PDF hasil pindai?
Tidak dengan instalasi bawaan. Anda bisa menambahkan plugin markitdown-ocr, yang mengirim gambar ke model visi yang Anda atur, atau memakai opsi Azure Document Intelligence, layanan cloud berbayar dari Microsoft. pdftomd membaca pindaian dengan model OCR yang berjalan di browser Anda; lihat PDF hasil pindai ke Markdown.
Mana yang lebih baik untuk memberi dokumen ke LLM?
Untuk PDF, hasil dengan judul, paragraf yang disatukan, dan tanpa header berulang lebih mudah diikuti model dan lebih hemat token. pdftomd juga menampilkan jumlah token dan bisa membagi dokumen menjadi chunk. Lihat PDF ke Markdown untuk LLM.
Pilihan Python apa lagi yang ada?
PyMuPDF4LLM, Docling, dan Marker semuanya mengubah PDF ke Markdown, masing-masing dengan kekuatan dan lisensi berbeda. PDF ke Markdown dengan Python berisi kode yang berjalan untuk masing-masing.
MarkItDown adalah proyek Microsoft. pdftomd independen dan tidak berafiliasi dengan Microsoft.