markitdown は何をしますか？
ファイルやオフィス文書をMarkdownに変換します。PDF、DOCX、PPTX、XLSX、画像（OCR対応）、音声（文字起こし対応）、HTML、CSV、JSON、XML、ZIP、YouTube URL、EPubなどに対応しています。
インストール
pip install markitdown
使用方法
CLI（コマンドライン）
# ファイルを変換する
markitdown <input_file> -o <output_file>
Pythonライブラリとして使用
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("path/to/file.docx")
print(result.text_content)
対応フォーマット
| フォーマット | 説明 |
|---|---|
| ポータブルドキュメント | |
| DOCX | Word文書 |
| PPTX | PowerPointプレゼン |
| XLSX | Excelスプレッドシート |
| 画像 | OCR対応 |
| 音声 | 文字起こし対応 |
| HTML | Webページ |
| CSV | カンマ区切りデータ |
| JSON | 構造化データ |
| XML | 拡張マークアップ言語 |
| ZIP | 圧縮アーカイブ |
| YouTube URL | 動画の文字起こし |
| EPub | 電子書籍 |
主な機能
- OCR: 画像からテキストを抽出（Tesseractを使用）
- 音声文字起こし: 音声ファイルからテキストを生成（Whisperなどのモデルを使用）
- YouTube文字起こし: YouTube動画から自動的に文字起こしを取得
- テーブル変換: スプレッドシートやHTMLテーブルをMarkdownテーブルに変換
- リンク保持: 元のリンク構造を保持
注意点
- OCR機能を使用するには、システムにTesseract OCRがインストールされている必要があります。
- 音声文字起こしには、追加の機械学習モデルが必要な場合があります。
- 変換品質は元の文書の構造や品質に依存します。