to-markdown

markitdown を使ってファイルを Markdown に変換します。markitdown は、多くのファイル形式からコンテンツを抽出し、構造化する Microsoft のユーティリティです。

対応形式

形式	備考
PDF	テキストを抽出します。表の構造は近似的な場合があります
Word (.docx)	表を含め、きれいに変換します
Excel (.xlsx)	シートを Markdown の表に変換します
PowerPoint (.pptx)	スライドのテキストと構造を変換します
HTML	読みやすいように整形したコンテンツ
画像	OCR（最良の結果を得るには LLM の画像認識が必要です）
音声	SpeechRecognition による文字起こし
CSV / JSON / XML	構造化テキスト
YouTube の URL	文字起こしを抽出します
EPub	章のテキスト

使い方

# Convert to stdout
markitdown input.pdf 2>/dev/null

# Save to file
markitdown input.pdf -o output.md 2>/dev/null

# Or redirect
markitdown input.docx 2>/dev/null > output.md

出力品質に影響しないフォントやパーサーの警告を抑制するため、常に 2>/dev/null を使用してください。

ワークフロー

1. markitdown がインストールされているか確認します：

   which markitdown || echo "not installed"
   

2. インストールされていない場合は、すべての形式に対応するようインストールします：

   pip install 'markitdown[all]'
   

3. 標準エラー出力を抑制して変換を実行します：

   markitdown "$INPUT_FILE" 2>/dev/null
   

4. ユーザーの意図に応じて出力を処理します：

   • ナレッジベースへの保存 → 適切な .md ファイルに書き込みます
   • 簡単な確認 → 会話内に表示します
   • 複数のファイル → ループ処理でそれぞれを変換します

出力品質に関する注意

• PDF：テキストは忠実に抽出されますが、表のセルが別々の行になる場合があります（PDF には表の構造が記録されていないためです）。PDF から整った表を抽出する必要がある場合は、この制限を伝えてください。
• Word／Excel：通常は適切な表の書式で、きれいに出力されます。
• 複雑なレイアウト：複数列の PDF や書式が多用されたドキュメントでは、読み取り順が乱れることがあります。
• スキャンした PDF：画像のみの PDF は、OCR／LLM の画像認識を統合しないとテキストを抽出できません。

よくある使用例

ドキュメントをナレッジベースに取り込む：

markitdown report.pdf 2>/dev/null > knowledge/competitive/raw/report.md

受け取った Word ドキュメントを変換する：

markitdown meeting-notes.docx 2>/dev/null > notes.md

ディレクトリ内のファイルを一括変換する：

for f in docs/*.pdf; do
  markitdown "$f" 2>/dev/null > "${f%.pdf}.md"
done

PDF の内容を確認してから対応を決める：

markitdown document.pdf 2>/dev/null | head -50