markitdown

Проблема, которую он решает, знакома всем, кто кормил модели документами: PDF внутри — это не текст, а координаты символов на странице. Скормите такой файл напрямую, и таблица развалится, заголовки смешаются с подписями, а порядок колонок станет случайным.

markitdown от Microsoft конвертирует документ в markdown, сохраняя именно структуру: заголовки остаются заголовками, таблицы — таблицами, списки — списками. Модель после этого читает документ так же, как его читает человек, а не как поток слов.

Что поддерживает: PDF, Word, Excel, PowerPoint, HTML, EPub, ZIP-архивы, изображения (с распознаванием текста), аудио (с расшифровкой), YouTube-ссылки. Есть и MCP-сервер, если нужно отдать конвертацию агенту, а не запускать руками.

Почему он в этом каталоге. Сто семьдесят тысяч звёзд — это не про хайп, это про то, как часто задача «дай модели прочитать документ» встаёт у людей. Лицензия MIT, ставится через pip, работает локально: документы никуда не уезжают, что важно, если это договоры или выгрузки из вашей же базы.