Timmy
f3f832df20
包含 MemPalace、MarkItDown、Playwright 的安裝與使用筆記。 Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
131 lines
2.7 KiB
Markdown
131 lines
2.7 KiB
Markdown
# MarkItDown 安裝與使用筆記
|
||
|
||
## 基本資訊
|
||
|
||
- **專案**: https://github.com/microsoft/markitdown
|
||
- **版本**: 0.1.5
|
||
- **作者**: Microsoft
|
||
- **授權**: MIT
|
||
- **需求**: Python 3.10+
|
||
- **安裝日期**: 2026-04-15
|
||
|
||
## 安裝
|
||
|
||
```bash
|
||
# 基本安裝
|
||
pip install markitdown
|
||
|
||
# 完整安裝（所有格式支援）
|
||
pip install 'markitdown[all]'
|
||
```
|
||
|
||
### 個別功能模組
|
||
|
||
```bash
|
||
pip install 'markitdown[pdf]' # PDF
|
||
pip install 'markitdown[docx]' # Word
|
||
pip install 'markitdown[pptx]' # PowerPoint
|
||
pip install 'markitdown[xlsx]' # Excel（新版）
|
||
pip install 'markitdown[xls]' # Excel（舊版）
|
||
pip install 'markitdown[outlook]' # Outlook 郵件
|
||
pip install 'markitdown[audio-transcription]' # 音訊轉文字
|
||
pip install 'markitdown[youtube-transcription]' # YouTube 字幕
|
||
pip install 'markitdown[az-doc-intel]' # Azure Document Intelligence
|
||
```
|
||
|
||
## 支援的檔案格式
|
||
|
||
| 格式 | 說明 |
|
||
|------|------|
|
||
| PDF | PDF 文件 |
|
||
| DOCX | Word 文件 |
|
||
| PPTX | PowerPoint 簡報 |
|
||
| XLSX / XLS | Excel 試算表 |
|
||
| HTML | 網頁 |
|
||
| CSV / JSON / XML | 文字結構化資料 |
|
||
| 圖片 | EXIF 元資料 + OCR |
|
||
| 音訊 | 元資料 + 語音轉文字 |
|
||
| ZIP | 自動解壓處理內容 |
|
||
| EPUB | 電子書 |
|
||
| YouTube URL | 影片字幕擷取 |
|
||
|
||
## CLI 使用
|
||
|
||
```bash
|
||
# 基本轉換
|
||
markitdown document.pdf > output.md
|
||
|
||
# 指定輸出檔
|
||
markitdown document.pdf -o output.md
|
||
|
||
# 從 stdin 讀取
|
||
cat document.pdf | markitdown
|
||
|
||
# 搭配 Azure Document Intelligence
|
||
markitdown file.pdf -o output.md -d -e "<endpoint>"
|
||
|
||
# 外掛管理
|
||
markitdown --list-plugins
|
||
markitdown --use-plugins file.pdf
|
||
```
|
||
|
||
## Python API
|
||
|
||
### 基本用法
|
||
|
||
```python
|
||
from markitdown import MarkItDown
|
||
|
||
md = MarkItDown()
|
||
result = md.convert("document.pdf")
|
||
print(result.text_content)
|
||
```
|
||
|
||
### 搭配 LLM 做圖片描述
|
||
|
||
```python
|
||
from markitdown import MarkItDown
|
||
from openai import OpenAI
|
||
|
||
client = OpenAI()
|
||
md = MarkItDown(llm_client=client, llm_model="gpt-4o")
|
||
result = md.convert("photo.jpg")
|
||
print(result.text_content)
|
||
```
|
||
|
||
### 搭配 Azure Document Intelligence
|
||
|
||
```python
|
||
md = MarkItDown(docintel_endpoint="<endpoint>")
|
||
result = md.convert("scan.pdf")
|
||
```
|
||
|
||
## 外掛系統
|
||
|
||
外掛預設關閉，需明確啟用。
|
||
|
||
### markitdown-ocr 外掛
|
||
|
||
用 LLM vision 對 PDF、DOCX、PPTX、XLSX 做 OCR，不需額外 ML 套件：
|
||
|
||
```bash
|
||
pip install markitdown-ocr openai
|
||
```
|
||
|
||
第三方外掛可在 GitHub 搜尋 `#markitdown-plugin` 找到。
|
||
|
||
## MCP 整合
|
||
|
||
MarkItDown 提供 MCP server，可整合到 Claude Desktop 等 LLM 應用：
|
||
|
||
```bash
|
||
pip install markitdown-mcp
|
||
```
|
||
|
||
## Docker
|
||
|
||
```bash
|
||
docker build -t markitdown:latest .
|
||
docker run --rm -i markitdown:latest < file.pdf > output.md
|
||
```
|