PDF、Word、PowerPointを一気にMarkdown変換！AIとの連携がスムーズになるファイル変換ツール — markitdown

アーキテクチャ・仕組み

MarkItDownは、各ファイル形式ごとに専用のDocumentConverterクラスを持ち、ファイルをバイナリストリームとして読み込んでMarkdownテキストに変換する設計です。一時ファイルを作成せずにストリーム処理を行います。プラグインシステムにより、サードパーティが独自のコンバーターを追加できます。

対応ファイル形式

AI連携機能

• LLMによる画像説明: OpenAIクライアントを渡すことで、画像やPowerPoint内の画像にAIが説明文を自動付与

  from openai import OpenAI
  md = MarkItDown(llm_client=OpenAI(), llm_model="gpt-4o", llm_prompt="optional custom prompt")
  

• Azure Document Intelligence: MicrosoftのAI OCRサービスと連携して高精度な文書変換が可能

  markitdown file.pdf -d -e "<endpoint>"
  

• MCP（Model Context Protocol）サーバー: Claude DesktopなどのLLMアプリケーションから直接MarkItDownを呼び出せる統合サーバーを提供（別パッケージ markitdown-mcp）

対応環境

• Python: 3.10以上が必須
• Docker: Dockerfileが同梱されており、コンテナでの利用も可能
• パッケージ管理: pip、uv、condaに対応
• テスト環境: hatchを使用、Devcontainerも用意済み

類似ツールとの比較

READMEではtextractと比較されており、textractがプレーンテキスト抽出を主目的とするのに対し、MarkItDownは見出し・リスト・表・リンクなどの文書構造をMarkdownとして保持する点が差別化ポイントです。ただし、人間向けの高忠実度な文書変換より、AIやテキスト分析パイプライン向けに最適化されています。

プラグインシステム

• プラグインはデフォルトで無効
• --list-plugins で一覧表示、--use-plugins で有効化
• GitHubで #markitdown-plugin ハッシュタグを検索して利用可能なプラグインを探せる
• サンプルプラグイン (markitdown-sample-plugin) が開発ガイドとして同梱

注意点・破壊的変更（v0.0.1 → v0.1.0）

• 依存パッケージがオプショングループに分離された（[all]で従来互換）
• convert_stream() がバイナリファイルオブジェクトのみ受け付けるようになった（io.StringIOは不可）
• DocumentConverterのインターフェースがファイルパスではなくストリーム読み取りに変更

ライセンス・開発元

• Microsoft AutoGenチームが開発
• Microsoft Open Source Code of Conductを採用
• コントリビューションにはMicrosoftのCLA（Contributor License Agreement）への同意が必要

インストール手順

Python 3.10以上が必要です。仮想環境の作成を推奨します。

# 仮想環境を作成して有効化
python -m venv .venv
source .venv/bin/activate

# 全機能を含むインストール
pip install 'markitdown[all]'

必要な形式だけ選んでインストールすることもできます：

pip install 'markitdown[pdf, docx, pptx]'

基本的な使い方（コマンドライン）

markitdown path-to-file.pdf > document.md

Pythonコードで使う場合

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("test.xlsx")
print(result.text_content)

Dockerで使う場合

docker build -t markitdown:latest .
docker run --rm -i markitdown:latest < ~/your-file.pdf > output.md