MarkItDown - утилита написанная на Python для преобразования различных файлов в формат Markdown для использования с LLM и связанными с ними конвейерами анализа текста.

В этом отношении она наиболее близка к textract, но с акцентом на сохранение важной структуры и содержимого документа в формате Markdown (включая заголовки, списки, таблицы, ссылки и т. д.). Хотя вывод зачастую достаточно презентабелен и удобен для восприятия, он предназначен для использования инструментами анализа текста и может быть не лучшим вариантом для высококачественного преобразования документов для восприятия человеком.

В настоящее время MarkItDown поддерживает конвертацию из:
- PDF
- PowerPoint
- Word
- Exel
- Изображения (метаданные EXIF и OCR)
- Аудио (метаданные и транскрипция речи)
- HTML
- Текстовые форматы (CSV, JSON, XML)
- ZIP-файлы (перебирает содержимое)
- URL-адреса YouTube
- EPubs
- и многое другое!

https://github.com/microsoft/markitdown

опубликовано в @gitgate

#markdown #pdf #xls #doc #ppt #html #zip #epub #converter

ripgrep-all - инструмент для быстрого поиска в файлах по содержимому. Поддерживает архивы (zip, tar.gz), офисные документы (word), pdf, sqlite и другие форматы.

https://github.com/phiresky/ripgrep-all

Подсказал: Alex Kup - @Lifailon

опубликовано в @gitgate

#grep #zip #tar #gz #doc #pdf #sqlite