Åpen kildekodeSkraping60k
MarkItDown
Konverter dokumenter og webinnhold til ren LLM-klar Markdown.
MarkItDown er et Microsoft-verktøy som konverterer et bredt utvalg filer og websider (HTML, PDF, Office-dokumenter, bilder, lyd) til ren Markdown optimalisert for LLM-forbruk. Det bevarer struktur som overskrifter, tabeller og lister slik at modeller kan resonnere over innhold pålitelig. Det er kjent for å normalisere rotete scraped eller nedlastet innhold til ett enkelt tekstformat for innlasting.
Kodelager
microsoft/markitdownSpråk
PythonDet du kan bygge med den
- Gjøre scraped HTML-sider om til ren Markdown for RAG-innlasting
- Normalisere PDF-er og Office-dokumenter til LLM-vennlig tekst
- Forbehandle blandet webinnhold til et konsistent format for embeddings
Tagger
markdownllmconversionrag