Microsoft が公開している Python ライブラリ兼 CLI ツール。PDF・Word・Excel・PowerPoint・HTML・画像・音声など 20 種以上のファイル形式を Markdown テキストに変換する。見出し・表・リスト・リンクといった文書構造をできる限り保持したまま Markdown に落とし込む点が特徴。
# CLI
pip install 'markitdown[all]'
markitdown report.pdf -o report.md
# Python API
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("report.pdf")
print(result.markdown)
| 観点 | MarkItDown | textract / Apache Tika など |
|---|---|---|
| 出力形式 | Markdown（見出し・表・リストを構造化） | プレーンテキスト（構造が失われがち） |
| LLM 親和性 | Markdown は LLM が最も扱いやすい形式。RAG パイプラインにそのまま投入可能 | トークン効率やコンテキスト理解で不利 |
| 対応形式の幅 | PDF, DOCX, PPTX, XLSX, HTML, 画像(EXIF), 音声, YouTube, Wikipedia, RSS, ZIP 等 | 同等〜やや広いが、Web 系ソースは非対応が多い |
| 拡張性 | Python entry-point ベースのプラグイン機構。優先度付きで既存コンバータの差し替えも可能 | 拡張には本体改修が必要なことが多い |
| LLM 連携 | OpenAI 互換クライアントを渡すと画像キャプション生成・音声文字起こしを自動実行 | LLM 連携は自前で組む必要あり |
| MCP サーバー | Claude Desktop 等から直接呼べる MCP パッケージを同梱 | なし |
一言で言えば: 「あらゆるファイルを、LLM が読みやすい Markdown に統一変換するハブ」。RAG・要約・分析といった LLM ワークフローの前処理を一行で済ませるのが最大の価値。
1. インストール
┌─────────────────────────────────────────────┐
│ pip install 'markitdown[pdf,docx,pptx]' │ ← 必要な形式だけ選べる
│ pip install markitdown-ocr │ ← OCR が要れば追加
└─────────────────────────────────────────────┘
2. 変換（3 つの入力経路）
┌──────────────────┐
│ ローカルファイル │ md.convert("file.pdf")
│ URL │ md.convert("https://example.com/page.html")
│ バイナリストリーム│ md.convert_stream(io_obj, extension=".pdf")
└──────────────────┘
│
▼
┌─────────────────────────────────────────────┐
│ MarkItDown 内部パイプライン │
│ 1. magika でファイル種別を自動判定 │
│ 2. 優先度順にコンバータを試行 │
│ 3. Markdown を正規化して返却 │
└─────────────────────────────────────────────┘
│
▼
3. 結果を取得
result.markdown → 変換された Markdown 文字列
result.title → 文書タイトル（取得できた場合）
4. 活用例
- LLM に渡して要約・QA・翻訳
- RAG のチャンクソースとして Embedding
- ナレッジベース構築の前処理
converters/ に 22 個）。accepts() → convert() の 2 メソッドで構成され、追加・差し替えが容易。pyproject.toml の entry-point に登録するだけで、--use-plugins や enable_plugins=True で有効化。[pdf], [docx] 等のエクストラで必要なものだけインストールでき、最小構成では軽量に使える。