peach-markitdown

문서파일 md 변환 스킬

MarkItDown과 python-hwpx를 조합해 문서파일을 md로 변환한다.

• MarkItDown 공식 범위 중 이 스킬이 채택한 입력: PDF, PowerPoint, Word, Excel, HTML, CSV, JSON, XML, ZIP, EPUB, 이미지

• 이 스킬의 별도 처리: HWPX

• 처리 방식: 단일 파일 변환 + 폴더 일괄 변환

• PDF, PPTX, DOCX, XLSX, HTML, CSV, JSON, XML, ZIP, EPUB, 이미지: markitdown

• HWPX: python-hwpx 기반 내장 추출기

• 출력: 별도 폴더

• 실패: 로그 파일

범위

이 스킬은 아래만 처리한다.

• markitdown 설치/확인
• .venv 생성 및 python-hwpx, lxml 설치/확인
• 단일 파일 -> md 변환
• 문서파일 묶음 폴더 일괄 변환
• 결과 요약과 실패 로그 작성

이 스킬은 아래를 처리하지 않는다.

• YouTube transcript 추출
• 음성 파일 전사
• 화자 분리
• 문서 편집
• 문서 -> PDF 변환
• OCR 품질 개선
• HWP/HWPX 고충실도 레이아웃 복원

실행 순서

1. 환경 준비

현재 작업 프로젝트 루트에서 실행한다.

bash <skill-dir>/scripts/bootstrap.sh

2. 단일 파일 변환

python3 <skill-dir>/scripts/convert_one.py \
  --source "/절대경로/입력파일" \
  --output "/절대경로/출력파일.md"

예시:

python3 <skill-dir>/scripts/convert_one.py \
  --source "$PWD/sample.docx" \
  --output "$PWD/output/sample.md"

3. 폴더 일괄 변환

python3 <skill-dir>/scripts/convert_folder.py \
  --input-dir "/절대경로/입력폴더" \
  --output-dir "/절대경로/출력폴더"

예시:

python3 <skill-dir>/scripts/convert_folder.py \
  --input-dir "$PWD/백업솔루션/원본" \
  --output-dir "$PWD/백업솔루션/md"

처리 규칙

확장자	처리 방식
.pdf, .pptx, .docx, .xlsx, .xls	markitdown
.html, .csv, .json, .xml, .zip, .epub	markitdown
이미지 계열 확장자	markitdown
.hwpx	extract_hwpx.py --format markdown
기타	스킵 + 로그

참고:

• 일부 포맷은 upstream 상태에 따라 성공 여부가 달라질 수 있다.
• YouTube transcript는 baoyu-youtube-transcript 스킬을 사용한다.
• 음성 전사와 화자 분리는 NotebookLM 또는 별도 음성 전사 경로를 사용한다.

공식 지원 vs 현재 검증

구분해서 봐야 한다.

• MarkItDown 공식 지원 범위는 더 넓지만, 이 스킬은 문서파일과 이미지에만 한정한다
• 이 스킬의 현재 자동화 범위: 위 포맷을 markitdown에 위임하고, HWPX는 별도 추출기로 처리
• 이 환경에서 실제 검증 완료:
  • PDF, PPTX, HWPX 폴더 일괄 변환 성공
• 이 환경에서 주의가 필요한 항목:
  • 새 포맷은 실무 적용 전 단건 검증이 필요하다

실무 원칙:

• “공식 지원”과 “현재 검증 완료”를 같은 의미로 말하지 않는다.
• 새 포맷을 실무에 쓰기 전에는 convert_one.py로 먼저 단건 검증한다.
• YouTube transcript는 baoyu-youtube-transcript를 기본값으로 쓴다.
• 음성 전사와 화자 분리는 NotebookLM 또는 별도 STT 경로로 분리한다.

결과물

출력 폴더에 아래 파일을 남긴다.

• 변환된 .md
• conversion-summary.json
• conversion-errors.log

운영 원칙

• 원본 파일은 절대 수정하지 않는다.
• 출력은 항상 별도 폴더에 쓴다.
• 같은 이름의 결과가 있으면 기본적으로 덮어쓴다.
• 지원하지 않는 파일은 실패로 중단하지 않고 로그만 남긴다.