microsoft/markitdown
microsoft/markitdown adalah utilitas Python ringan untuk mengonversi aneka format berkas dan dokumen perkantoran menjadi Markdown terstruktur untuk digunakan bersama model bahasa besar dan pipeline analisis teks terkait. Perkakas ini berfokus mempertahankan struktur penting dokumen seperti tajuk, daftar, tabel, dan tautan. Format yang didukung mencakup PDF, PowerPoint, Word, Excel, gambar dengan metadata EXIF dan OCR, rekaman audio dengan transkripsi suara, HTML, berkas teks seperti CSV, JSON, dan XML, arsip ZIP, tautan YouTube, hingga EPUB. Dokumentasi membandingkan perkakas ini secara langsung dengan textract, dengan penekanan bahwa MarkItDown mengutamakan pelestarian struktur Markdown yang efisien untuk analisis teks. Dari sisi keamanan, MarkItDown berjalan dengan hak akses proses yang sedang aktif, sehingga sanitasi masukan dan pemilihan fungsi konversi yang tepat disarankan saat menangani data yang tidak tepercaya.
Prasyarat sistem membutuhkan Python versi 3.10 hingga 3.14, dan penggunaan lingkungan virtual disarankan untuk menghindari konflik dependensi. Pengguna dapat memasang paket lengkap menggunakan pip melalui perintah "pip install 'markitdown[all]'", atau memasang dari kode sumber dengan menjalankan "pip install -e 'packages/markitdown[all]'". Tersedia pula dependensi opsional modular seperti paket untuk PDF, DOCX, PPTX, XLSX, transkripsi audio, maupun Azure Content Understanding. Penggunaan baris perintah dapat dilakukan dengan "markitdown path-to-file.pdf -o document.md" atau melalui aliran pipa. Snapshot GitHub menunjukkan repositori ini tidak diarsipkan dan mencatat lisensi MIT.
Data per : 193636 stars · 14529 forks.