markitdown

pdf2mdからの続き

図：マークダウンのイメージ（Geminiによる）

マイクロソフトが，いろいろなタイプのドキュメントをマークダウン化できるツール（markitdown） を出しているという。PDF，PowerPoint，Word，Excel，Images (EXIF metadata and OCR)，Audio (EXIF metadata and speech transcription)，HTML，Text-based formats (CSV, JSON, XML)，ZIP files (iterates over contents)，Youtube URLs，EPubsなどなど。いいじゃないですか。

さっそくインストールしてみた。最近のものかと思えば，2024年12月の記事があったので，前からあったのか。それでもバージョンは 0.15なので，いまひとつ進んでいないような。

% git clone https://github.com/microsoft/markitdown.git

% source myenv/bin/activate

(myenv) % pip install markitdown

(myenv) % which markitdown

/Users/koshi/myenv/bin/markitdown

(myenv) % markitdown ~/Desktop/mext.pdf -o ~/Desktop/mext.md

こんな感じで使えるには使えたのだが・・・，文部科学省のpdfファイルのせいなのか・・・

出力がまったくちゃんとしたmdファイルにはなっていないので，もとのpdfファイルの構造が見えなくなってしまっている。MacDownで確認するまでもない。

ChatGPTに相談してもあきらめ顔だった。1年前の記事だとなんとなくよさげだが，どうやらそうでもない。pdf2mdのほうがよほどましなので困ってしまう。