MarkItDown: gjør Office-filer og PDF om til tekst for KI

Hva er MarkItDown?

MarkItDown er et lett Python-verktøy som gjør ulike filer om til Markdown. Markdown er ren tekst med enkel merking av overskrifter, lister, tabeller og lenker. README forklarer at formatet ligger nær vanlig tekst, men beholder strukturen, og at store språkmodeller forstår det godt.

Verktøyet kan blant annet lese:

• PDF, Word, Excel og PowerPoint
• Bilder (metadata og tekstgjenkjenning) og lyd (metadata og transkripsjon)
• HTML, CSV, JSON og XML
• ZIP-filer, EPUB og YouTube-lenker

README sier rett ut at resultatet er laget for tekstanalyse og KI, ikke for pene konverteringer som mennesker skal lese. Det finnes også valgfrie tilkoblinger til Azure Document Intelligence og Azure Content Understanding. De gir bedre resultater for skannede dokumenter, men da sendes filene til en betalt skytjeneste.

Hva kan norske bedrifter bruke det til?

• Klargjøre dokumenter for en KI-assistent: Gjør håndbøker, prislister og rutiner om til Markdown før de legges inn i et dokumentsøk.
• Rydde i gamle filer: Hent ut teksten fra mange Word- og PowerPoint-filer i én operasjon.
• Lese Excel-ark inn i KI: Tabeller blir til Markdown-tabeller som en språkmodell kan svare ut fra.

Den innebygde konverteringen kjører lokalt. Velger dere Azure-tjenestene, gjelder Microsofts vilkår og priser, og dere må vurdere personvernet.

Slik kommer du i gang

MarkItDown krever Python 3.10 eller nyere. Installer i et virtuelt miljø og konverter en fil:

pip install 'markitdown[all]'
markitdown rapport.pdf -o rapport.md

I Python holder det med noen få linjer: MarkItDown().convert("fil.xlsx") gir et resultat med feltet markdown. Du kan også installere bare det du trenger, for eksempel markitdown[pdf, docx, pptx].

Sikkerhet: README advarer om at verktøyet leser filer og nettadresser med de samme rettighetene som programmet som kjører det. Send aldri ukontrollert input fra brukere rett inn. Bruk heller de smale funksjonene, som convert_local() eller convert_stream(), i stedet for den åpne convert().

Lisens

MarkItDown er utgitt under MIT-lisensen, slik lisensfilen i repoet viser. Den er OSI-godkjent og tillatende. Valgfrie tillegg og skytjenester (for eksempel Azure eller OpenAI) har egne vilkår.

Hvorfor vi skriver om det

God KI på egne dokumenter starter med ren tekst, og mange bedrifter har mesteparten av kunnskapen sin i Office-filer og PDF. KI-kanaler på TikTok kan gi ideer, men TikTok er ikke lest direkte, og vi har ikke verifisert omtale hos bestemte skapere. Funksjoner og lisens er kontrollert mot prosjektets GitHub-repo og PyPI-siden. Brukseksemplene over er forslag, ikke målte resultater fra norske bedrifter.

Lenker

• Kildekode og README
• Pakken på PyPI
• Lisensfil