[note] MarkItDown：一個可順利將 docx 與 pptx 轉換為 markdown 的工具

註記：此頁為由 AI（gpt-5-mini-2025-08-07）自動翻譯自英文原文，可能含有少量不準確之處。

📌 介紹

這篇文章討論 MarkItDown，一個專為輕鬆將 docx 和 pptx 檔案轉換成 markdown 格式而設計的工具。它說明了在此轉換流程中會用到的各種 Python 函式庫，幫助使用者有效處理文件與多媒體內容。

🚀 快速開始

MarkItDown 如何運作？

以下列出 MarkItDown 使用的模組

dependencies = [
  "beautifulsoup4",
  "requests",
  "mammoth",
  "markdownify",
  "numpy",
  "python-pptx",
  "pandas",
  "openpyxl",
  "pdfminer.six",
  "puremagic",
  "pydub",
  "youtube-transcript-api",
  "SpeechRecognition",
  "pathvalidate",
]

mammoth

• https://pypi.org/project/mammoth/
  Mammoth 是一個用於將 MS Word、Google 文件、LibreOffice 等文件轉換成 HTML 的工具

python-pptx

• https://github.com/scanny/python-pptx
  一個可以建立/讀取/更新 .pptx 檔案的 Python 函式庫

openpyxl

• https://openpyxl.readthedocs.io/en/stable/
  一個用於讀寫 Excel 2010 xlsx、xlsm、xltx、xltm 檔案的 Python 函式庫

pdfminer

• https://github.com/pdfminer/pdfminer.six
  Pdfminer.six 是從原始 PDFMiner 分岔出來，由社群維護的版本。此模組可協助使用者從 PDF 檔案擷取資訊。

pydub

• https://github.com/jiaaro/pydub
  讓你以簡單的方式操作音訊

youtube-transcript-api

• https://github.com/jdepoix/youtube-transcript-api
  一個 Python API，可取得指定 YouTube 影片的逐字稿

SpeechRecognition

• https://github.com/Uberi/speech_recognition/tree/master
  支援像 Google Cloud Speech API、Wit.ai、Whisper 等語音轉文字引擎

markdownify

• https://github.com/matthewwithanm/python-markdownify
  將 HTML 轉換成 Markdown

pathvalidate

• https://github.com/thombashi/pathvalidate
  一個用於清理與驗證字串（如檔名、檔案路徑等）的 Python 函式庫

puremagic

• https://github.com/cdgriffith/puremagic/tree/master
• Puremagic 是一個 檔案類型偵測工具，它能在不依賴副檔名的情況下識別輸入檔案的類型。由於副檔名可以輕易更改，僅靠副檔名來辨識檔案類型可能有風險。此模組定義一組規則來讀取檔案內容並判定其類型。

# puremagic/magic_data.json
{
  "extension_only": [
    ["", 0, ".txt", "text/plain", "Text File"],
    ["", 0, ".log", "text/plain", "Logger File"],
    ["", 0, ".yaml", "application/x-yaml", "YAML File"],
    ["", 0, ".yml", "application/x-yaml", "YAML File"],
    ["", 0, ".toml", "application/toml", "TOML File"],
    ["", 0, ".py", "text/x-python", "Python File"],
    ["", 0, ".pyc", "application/x-python", "Python Complied File"],
    ["", 0, ".pyd", "application/x-python", "Python Complied File"],
    ["", 0, ".python_history", "text/plain", "Python History File"],
    ["", 0, ".bat", "application/x-script", "Windows BAT file"],
    ["", 0, ".gitconfig", "text/plain", "Git Ignore File"],
...

🔁 重點回顧

• MarkItDown 可順利將 docx 與 pptx 檔案轉換為 markdown 格式。
• 此轉換需要多種依賴項，包括處理文件、音訊與資料的函式庫。
• 每個提到的函式庫都有其特定功能，例如將 Word 文件轉為 HTML 或讀取 Excel 檔案。

🔗 參考資料

• https://pypi.org/project/mammoth/
• https://github.com/scanny/python-pptx
• https://openpyxl.readthedocs.io/en/stable/
• https://github.com/pdfminer/pdfminer.six
• https://github.com/jiaaro/pydub
• https://github.com/jdepoix/youtube-transcript-api
• https://github.com/Uberi/speech_recognition/tree/master
• https://github.com/matthewwithanm/python-markdownify
• https://github.com/thombashi/pathvalidate
• https://github.com/cdgriffith/puremagic/tree/master