markitdown

MarkItDown - konwerter dokumentów do Markdown (PL)

Lightweight utility Microsoftu - zachowuje strukturę (nagłówki, listy, tabele, linki), nie wygląd. Pod LLM, nie pod human.

Instalacja (zrobione 2026-04-21)

python -m pip install --user markitdown markitdown-mcp

Wymaga Python 3.10+ (testowane na 3.14). CLI: python -m markitdown.

Wspierane formaty

• PDF (preferuj dla krótkich, standardowych PDF; dla złożonych/tabel - OpenDataLoader PDF)
• Office: Word (.docx), Excel (.xlsx), PowerPoint (.pptx)
• HTML, EPUB, CSV, JSON, XML
• Obrazy (EXIF + OCR jeśli zainstalowane [all])
• Audio (EXIF + transkrypcja jeśli włączone)
• ZIP (iteruje zawartość)
• YouTube URL (napisy)

Użycie

CLI (single file)

python -m markitdown input.pdf > output.md
python -m markitdown input.pptx -o output.md

Batch (Obsidian Vault)

for f in "/c/Users/hp/Documents/Obsidian Vault/Konwerter"/*.pdf; do
  python -m markitdown "$f" > "${f%.pdf}.md"
done

Python API

from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("plik.docx")
print(result.text_content)

MCP server

Opcjonalnie - jeśli chcesz udostępnić Claude Code jako MCP tool:

markitdown-mcp

Kiedy użyć MarkItDown vs OpenDataLoader PDF

Sytuacja	Narzędzie
Word/Excel/PPT	MarkItDown
Prosty PDF, tekst liniowy	MarkItDown (szybsze)
Złożony PDF z tabelami, reading order, papers naukowe	OpenDataLoader PDF (jakość)
Audio/transkrypcja	Whisper (mamy whisper-asr-pipeline)
Web page	Defuddle (mamy defuddle od Kepano)

Integracja z vault

Output docelowo → Konwerter/ (folder w vault dla source-pdf → MD). Frontmatter: type: source-pdf, tags: [pdf, zrodlo]. Zobacz vault-rules.json → clippings.classification_rules.pdf_source.

Gotcha

• markitdown[all] na Python 3.14/3.15 failuje (onnxruntime, youtube-transcript-api konflikt) - użyj zainstalowanego markitdown bez extras
• Dla OCR obrazów / pełnego YouTube - Docker albo starszy Python (3.11/3.12)
• Nie używaj dla high-fidelity conversion dla human reading - tylko pod LLM