마이크로소프트의 MarkItDown, 각종 문서를 마크다운으로 변환
Key Point
LLM 기반 애플리케이션에서 다양한 형식의 문서를 처리해야 할 때, 마크다운으로의 표준화된 변환 방식을 제시하는 도구가 등장했으므로.
핵심 요약
- 마이크로소프트가 공개한 Python 유틸리티로, PDF·파워포인트·워드·엑셀·이미지·오디오·HTML 등 다양한 파일을 마크다운 형식으로 변환한다.
- 제목, 리스트, 표, 링크 등 문서 구조를 마크다운으로 보존하도록 설계되었으며, LLM과 텍스트 분석 파이프라인에서 사용하기 위한 목적이다.
- 마크다운은 LLM이 기본적으로 이해하고 토큰 효율도 높기 때문에, GPT-4o 같은 주류 언어모델과의 호환성이 우수하다.
- Python 3.10 이상이 필요하고, pip로 설치 가능하며, PDF·DOCX·PPTX·XLSX·오디오·YouTube 자막 등 기능별 선택적 의존성을 제공한다.
- 타사 플러그인을 지원하며, markitdown-ocr 플러그인으로 LLM 비전을 통한 OCR 기능을 추가할 수 있다.
- Azure Content Understanding 통합으로 스캔된 PDF, 복잡한 표, 비디오 등의 고품질 변환도 가능하다.
저장소 보기 ↗github.com