使用 MarkItDown 将 PDF 转换为 Markdown

在 AI 时代，我们经常需要将长篇文档（如 PDF 报告、论文）喂给 ChatGPT 或 Claude 进行分析。然而，AI 对结构化文本（如 Markdown）的理解能力要远好于复杂的 PDF。

这就是 MarkItDown 发挥作用的地方。它是微软开源的一个极简工具，能够高效地将各种格式的文档（包括 PDF, Word, Excel）一键转换为纯净的 Markdown 格式。

为什么选择 MarkItDown？

• 极度轻量：没有繁琐的依赖，一个简单的 Python 包即可运行。
• 专为 AI 优化：生成的 Markdown 格式极其干净，去除了不必要的格式干扰，非常适合直接作为 Prompt 提供给大语言模型。
• 多格式支持：不仅仅是 PDF，还支持 .docx, .xlsx, .pptx, HTML 等常见格式。

环境准备

在使用之前，请确保你的电脑上安装了 Python 3.8+。

安装步骤

打开终端或命令行工具，输入以下命令安装 markitdown：

pip install markitdown

使用方法

命令行使用

最简单的使用方式是通过命令行。假设你有一个名为 report.pdf 的文件，只需运行：

markitdown report.pdf > output.md

这条命令会将 report.pdf 的内容提取并转换为 Markdown，然后保存到 output.md 文件中。

Python 代码中使用

如果你想在自己的脚本中自动化这个过程，可以这样写：

from markitdown import MarkItDown

# 初始化 MarkItDown
mid = MarkItDown()

# 转换 PDF
result = mid.convert("report.pdf")

# 输出转换后的 Markdown 文本
print(result.text_content)

# 将结果保存到文件
with open("output.md", "w", encoding="utf-8") as f:
    f.write(result.text_content)

结合大模型使用技巧

1. 分片处理：如果 PDF 转换后的内容依然超过了 AI 模型的上下文窗口限制（虽然 Claude 3 有 200K 窗口，但为了精准度有时仍需分片），可以利用简单的 Python 脚本按章节对生成的 Markdown 进行拆分。
2. 保留关键结构：MarkItDown 会尽可能保留原文档的标题层级（#, ##），在 Prompt 中，可以要求 AI 比如"基于以下二级标题的结构生成总结"。

有了 MarkItDown 这个神器，你以后再也不用头疼如何把几百页的 PDF 喂给 AI 啦！