Trải nghiệm khi dùng MarkItDown
Bạn cài bằng một lệnh pip, rồi gõ markitdown kèm đường dẫn file. Ví dụ đưa vào một bản báo cáo PDF hay bảng Excel, kết quả là một file .md với tiêu đề, danh sách và bảng được giữ dưới dạng văn bản thuần. Mở nó bằng bất kỳ trình soạn thảo nào cũng đọc được, và dán vào chatbot AI rất gọn.
Lý do Markdown được chọn: các mô hình ngôn ngữ lớn quen đọc Markdown, và định dạng này tiết kiệm token hơn nhiều so với HTML hay XML. Vì vậy nếu bạn thường dán tài liệu cho AI, bước đổi sang Markdown giúp câu trả lời đúng cấu trúc hơn mà tốn ít chi phí hơn.
Cần lưu ý đây là công cụ chuyển đổi để máy đọc, chứ không phải để in ấn đẹp. Bố cục phức tạp có thể không giữ nguyên. Việc mô tả ảnh hoặc chuyển âm thanh thành chữ cần đến dịch vụ trên mạng, theo ghi chú trong README.
Tính năng nổi bật
Nhiều định dạng đầu vào
PDF, Word, PowerPoint, Excel, ảnh, âm thanh, HTML, CSV, JSON, XML, ZIP, EPUB và cả link YouTube.
Giữ cấu trúc tài liệu
Tiêu đề, danh sách, bảng và liên kết được thể hiện bằng cú pháp Markdown gọn gàng.
Dòng lệnh và Python
Gõ lệnh để chuyển nhanh một file hoặc gọi từ mã Python để xử lý hàng loạt.
Cài từng phần theo nhu cầu
Có thể chỉ cài phần cho PDF, Word, PowerPoint thay vì mọi thứ để gọn hơn.
Hệ thống plugin
Có plugin của bên thứ ba, ví dụ markitdown-ocr dùng mô hình thị giác của LLM để đọc chữ trong ảnh nhúng.
Tùy chọn dịch vụ đám mây của Azure
Có thể nối với Azure Document Intelligence hoặc Content Understanding để chuyển đổi chất lượng cao hơn, nhưng sẽ tính phí và gửi dữ liệu lên Azure.
Tận dụng MarkItDown vào việc gì?
Dân văn phòng, người dùng ChatGPT hoặc Claude
Chuẩn bị tài liệu cho chatbot AI
Chuyển hợp đồng, báo cáo, slide sang Markdown rồi dán vào AI để tóm tắt hay hỏi đáp.
Lập trình viên
Xây kho tri thức cho RAG
Đưa hàng trăm file nội bộ qua MarkItDown để có văn bản sạch trước khi chia nhỏ và đánh chỉ mục.
Kế toán, chủ shop
Chuyển bảng Excel thành văn bản
Đổi bảng số liệu thành bảng Markdown để dán vào ghi chú hoặc đưa AI phân tích.
Người dùng Obsidian, Notion
Lưu bài viết, tài liệu để ghi chú
Chuyển file Word hoặc HTML sang Markdown để quản lý trong ứng dụng ghi chú.
Cần chuẩn bị gì?
- Python từ 3.10 đến 3.14 (theo README); nên dùng môi trường ảo để tránh xung đột thư viện.
- Nhận dạng chữ trong ảnh, mô tả ảnh, chuyển âm thanh thành chữ cần dịch vụ chạy trên web (README ghi chú).
- Khoá API và tài khoản nếu dùng plugin OCR bằng LLM hay dịch vụ Azure.
Hướng dẫn cài đặt chi tiết
Cài trên pip
Tạo môi trường ảo Python. Lệnh dưới dành cho macOS hoặc Linux; trên Windows PowerShell kích hoạt bằng .venv\Scripts\Activate.ps1.
python -m venv .venv source .venv/bin/activateCài MarkItDown cùng tất cả phụ thuộc tuỳ chọn.
pip install 'markitdown[all]'Muốn gọn hơn, chỉ cài phần cần dùng, ví dụ PDF, Word và PowerPoint.
pip install 'markitdown[pdf, docx, pptx]'Trên Windows PowerShell, dấu nháy đơn trong lệnh pip vẫn dùng được; nếu gặp lỗi, thử đặt dấu nháy kép quanh tên gói.
Cài trên Từ mã nguồn
Clone repo rồi cài ở chế độ chỉnh sửa nếu bạn muốn sửa mã.
git clone git@github.com:microsoft/markitdown.git cd markitdown pip install -e 'packages/markitdown[all]'
Dùng thử lần đầu
Chuyển một file PDF thành Markdown và in ra màn hình để xem thử.
markitdown path-to-file.pdfLưu kết quả ra file bằng tuỳ chọn -o.
markitdown path-to-file.pdf -o document.mdThử với file Word hoặc Excel trong cùng thư mục, so sánh bảng và tiêu đề trong file .md so với bản gốc.
Dùng trong Python nếu muốn xử lý nhiều file.
from markitdown import MarkItDown md = MarkItDown() result = md.convert("report.xlsx") print(result.markdown)Mở file .md vừa tạo trong trình soạn thảo, rồi dán vào chatbot AI để tóm tắt.
Mẹo dùng hay
- Ghi chú an toàn trong README: MarkItDown truy cập tài nguyên bằng quyền của chính tiến trình đang chạy, nên với file hoặc link từ nguồn không tin cậy hãy dùng hàm chuyển đổi hẹp nhất và kiểm tra đầu vào.
- Thử chuyển một vài file mẫu trước khi xử lý cả kho tài liệu, để xem kết quả có phù hợp với kiểu file của bạn không.
- PDF dạng ảnh quét cần OCR; hãy xem plugin markitdown-ocr hoặc dùng công cụ OCR riêng như PaddleOCR trước đó.
Lưu ý và hạn chế
- Mục tiêu là cho máy đọc, không phải giữ nguyên bố cục như bản gốc. Tài liệu có cột, hình phức tạp có thể mất định dạng.
- Mô tả ảnh, OCR bằng LLM, chuyển âm thanh thành chữ và các dịch vụ Azure đều gửi dữ liệu lên dịch vụ ngoài và có thể tốn phí. Đừng dùng với tài liệu mật khi chưa cân nhắc.
- File PDF quét thuần ảnh không có lớp chữ có thể cho kết quả rỗng nếu không dùng OCR.
Câu hỏi thường gặp
MarkItDown có miễn phí không?
Có. Mã theo giấy phép MIT. Chỉ khi bạn nối với dịch vụ ngoài như Azure hay API của LLM thì mới có chi phí.
Có xử lý được tiếng Việt không?
Với file có lớp chữ thì văn bản tiếng Việt được lấy ra như bình thường. OCR và âm thanh phụ thuộc dịch vụ bạn nối vào.
Dùng cho RAG hay hỏi đáp tài liệu được không?
Được. Đây chính là mục đích: biến tài liệu thành văn bản Markdown sạch để đưa vào mô hình ngôn ngữ hoặc hệ thống RAG.
Tải mã nguồn về máy
Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.
git clone https://github.com/microsoft/markitdown.gitRepo tương tự nên xem
Docling
docling-project / docling
Chuyển PDF, Word, PowerPoint, Excel, HTML thành Markdown hoặc JSON gọn gàng để đưa cho AI đọc
Marker
datalab-to / marker
Chuyển PDF, ảnh, Word, PowerPoint thành Markdown, JSON hoặc HTML giữ nguyên bảng biểu và công thức
MinerU
opendatalab / MinerU
Đọc PDF, ảnh scan và file Office rồi xuất Markdown, giữ bảng, công thức và bố cục phức tạp.