Öppen källkodScraping60k

MarkItDown

Konvertera dokument och webbinnehåll till ren LLM-redo Markdown.

MarkItDown är ett Microsoft-verktyg som konverterar ett brett spektrum av filer och webbsidor (HTML, PDF, Office-dokument, bilder, ljud) till ren Markdown optimerad för LLM-konsumtion. Det bevarar struktur som rubriker, tabeller och listor så att modeller kan resonera kring innehåll på ett tillförlitligt sätt. Det utmärker sig för att normalisera rörigt skrapat eller nedladdat innehåll till ett enda textformat för inmatning.

Visa repo

Kodförråd

microsoft/markitdown

Språk

Python

Vad du kan bygga med det

Omvandla skrapade HTML-sidor till ren Markdown för RAG-inmatning
Normalisera PDF:er och Office-dokument till LLM-vänlig text
Förbehandla blandat webbinnehåll till ett konsekvent format för embeddings

Taggar

markdownllmconversionrag