Chuyển đến nội dung

microsoft / markitdown

MarkItDown

Công cụ của Microsoft đổi PDF, Word, Excel, PowerPoint và nhiều file khác thành Markdown cho AI đọc.

MarkItDown là tiện ích Python nhẹ, gõ một lệnh là biến file PDF, Word, Excel, PowerPoint, HTML, ảnh, âm thanh và nhiều định dạng khác thành văn bản Markdown giữ cấu trúc tiêu đề, bảng, danh sách. Dành cho người muốn chuẩn bị tài liệu cho ChatGPT, Claude hay hệ thống RAG mà không cần viết nhiều mã.

  • 195.722 sao
  • 14.798 fork
  • Python
  • Cập nhật 9 ngày trước
  • MIT (dùng tự do, kể cả thương mại)
Độ khó
Vừa Cần gõ vài lệnh hoặc dùng Docker
Dạng
Dòng lệnh (CLI), Thư viện lập trình
Chạy trên
Windows, macOS, Linux, Python
Chi phí
Miễn phí hoàn toàn

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

  1. Tạo môi trường ảo Python. Lệnh dưới dành cho macOS hoặc Linux; trên Windows PowerShell kích hoạt bằng .venv\Scripts\Activate.ps1.

    Terminal
    python -m venv .venv
    source .venv/bin/activate
  2. Cài MarkItDown cùng tất cả phụ thuộc tuỳ chọn.

    Terminal
    pip install 'markitdown[all]'
  3. Muốn gọn hơn, chỉ cài phần cần dùng, ví dụ PDF, Word và PowerPoint.

    Terminal
    pip install 'markitdown[pdf, docx, pptx]'
  4. 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

  1. Clone repo rồi cài ở chế độ chỉnh sửa nếu bạn muốn sửa mã.

    Terminal
    git clone git@github.com:microsoft/markitdown.git
    cd markitdown
    pip install -e 'packages/markitdown[all]'

Dùng thử lần đầu

  1. Chuyển một file PDF thành Markdown và in ra màn hình để xem thử.

    Terminal
    markitdown path-to-file.pdf
  2. Lưu kết quả ra file bằng tuỳ chọn -o.

    Terminal
    markitdown path-to-file.pdf -o document.md
  3. Thử với file Word hoặc Excel trong cùng thư mục, so sánh bảng và tiêu đề trong file .md so với bản gốc.

  4. Dùng trong Python nếu muốn xử lý nhiều file.

    Python
    from markitdown import MarkItDown
    
    md = MarkItDown()
    result = md.convert("report.xlsx")
    print(result.markdown)
  5. 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.

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

Repo tương tự nên xem

Tài liệu, OCR & hỏi đáp tri thức70,6K

Docling

docling-project / docling

Chuyển PDF, Word, PowerPoint, Excel, HTML thành Markdown hoặc JSON gọn gàng để đưa cho AI đọc

VừaWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức40,9K

Marker

datalab-to / marker

Chuyển PDF, ảnh, Word, PowerPoint thành Markdown, JSON hoặc HTML giữ nguyên bảng biểu và công thức

VừaWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức83,7K

MinerU

opendatalab / MinerU

Đọc PDF, ảnh scan và file Office rồi xuất Markdown, giữ bảng, công thức và bố cục phức tạp.

VừaWindowsmacOSLinuxDocker+1

Nội dung được biên soạn bằng tiếng Việt dựa trên tài liệu chính thức của dự án, cập nhật lần cuối 16/11/2026. Lệnh cài có thể thay đổi theo phiên bản mới; nếu có khác biệt, hãy làm theo README trên GitHub.

Cùng chủ đề: Tài liệu, OCR & hỏi đáp tri thức

Tài liệu, OCR & hỏi đáp tri thức96,8K

Stirling PDF

Stirling-Tools / Stirling-PDF

Bộ hơn 50 công cụ PDF: gộp, tách, ký, che thông tin, nén, OCR, chạy trên máy hoặc tự cài.

DễWindowsmacOSLinuxDocker+1
Tài liệu, OCR & hỏi đáp tri thức94,2K

RAGFlow

infiniflow / ragflow

Nền tảng tự cài giúp AI trả lời dựa trên tài liệu của bạn, có trích dẫn nguồn.

VừaDockerLinuxWeb
Tài liệu, OCR & hỏi đáp tri thức92,7K

PaddleOCR

PaddlePaddle / PaddleOCR

Bộ công cụ OCR của Baidu: đọc chữ trong ảnh, PDF và đổi tài liệu thành Markdown hoặc JSON.

KhóWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức77,5K

Tesseract OCR

tesseract-ocr / tesseract

Bộ máy nhận dạng chữ (OCR) mã nguồn mở đọc chữ từ ảnh scan, hỗ trợ hơn 100 ngôn ngữ

VừaWindowsmacOSLinux
Tài liệu, OCR & hỏi đáp tri thức57,6K

PrivateGPT

zylon-ai / private-gpt

Lớp API mã nguồn mở biến mô hình AI chạy trên máy thành ứng dụng riêng tư: tải tài liệu, hỏi đáp có trích dẫn

KhóWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức48,2K

Paperless-ngx

paperless-ngx / paperless-ngx

Hệ thống quản lý tài liệu tự cài: scan giấy tờ, tự OCR, gắn thẻ và tìm lại trong vài giây

VừaDockerLinuxWeb

Xem cả 22 repo Tài liệu, OCR & hỏi đáp tri thức Về Kho Repo