markitdown-enhanced

KO | EN

gitlite — search

#javascript #react #golang #go #android #machine-learning #deep-learning #macos #java #windows #awesome #cli #security #open-source

markitdown-enhanced

(★ 10)

MarkItDown智能PDF处理增强版 - 智能检测PDF图片并AI分析

markitdown-enhanced 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# MarkItDown 智能PDF处理增强版 - 项目说明

## 🎯 项目概述

本项目是基于Microsoft AutoGen团队的MarkItDown库进行的增强版本，主要添加了**智能PDF图片处理功能**和**现代化GUI界面**。核心特色是通过智能检测PDF中的图片，只对包含图片的PDF调用AI分析，从而实现成本优化和处理效率的双重提升。

## 🚀 核心功能增强

### 1. 智能PDF图片处理

#### 🔍 智能检测机制
- **预检测算法**: 使用PyMuPDF快速扫描PDF页面，检测是否包含图片
- **尺寸过滤**: 自动跳过小于50x50像素的装饰性图片
- **成本优化**: 只对包含图片的PDF调用Azure OpenAI API

#### 🖼️ AI图片分析
- **Azure OpenAI集成**: 使用GPT-4o模型对图片进行详细描述
- **中文优化**: 支持自定义中文提示词，生成准确的中文描述
- **多模态处理**: 将图片描述与文本内容完美结合

#### 💰 成本效益
```
处理场景对比：
┌─────────────────┬──────────────┬──────────────┬──────────┐
│ 文档类型        │ 传统方式     │ 智能方式     │ 节省效果 │
├─────────────────┼──────────────┼──────────────┼──────────┤
│ 无图片PDF(100个)│ 100次API调用 │ 0次API调用   │ 100%     │
│ 有图片PDF(10个) │ 10次API调用  │ 10次API调用  │ 0%       │
│ 混合场景(90+10) │ 100次API调用 │ 10次API调用  │ 90%      │
└─────────────────┴──────────────┴──────────────┴──────────┘
```

### 2. 现代化GUI界面

#### 🎨 界面设计
- **Modern UI**: 使用CustomTkinter构建现代化界面
- **响应式布局**: 自适应窗口大小，支持最小化和最大化
- **主题支持**: 支持浅色和深色主题切换

#### 📊 智能状态显示
- **双状态栏**: 主状态显示 + 详细信息显示
- **实时反馈**: 显示文件信息、处理进度、成本提示
- **智能提示**: 根据文件类型显示相应的处理策略

#### 🔧 功能特性
- **拖拽支持**: 支持文件拖拽到界面
- **预览功能**: 快速预览转换效果（不使用AI）
- **配置管理**: 完整的Azure OpenAI配置界面
- **结果统计**: 详细的转换统计信息

## 🛠️ 技术实现细节

### 核心代码修改

#### 1. PDF转换器增强 (`_pdf_converter.py`)

```python
def _check_pdf_has_images(self, file_stream: BinaryIO) -> bool:
    """智能检测PDF是否包含图片"""
    # 使用PyMuPDF快速扫描
    # 过滤装饰性小图片
    # 早期退出优化
```

**主要改进**:
- 添加了`_check_pdf_has_images()`方法进行预检测
- 修改了`convert()`方法的处理逻辑
- 集成了LLM图片描述功能

#### 2. 依赖管理优化 (`pyproject.toml`)

```toml
[project.optional-dependencies]
pdf = ["pdfminer.six"]
pdf-images = ["pdfminer.six", "PyMuPDF"]  # 新增
```

**改进内容**:
- 新增`pdf-images`可选依赖组
- 支持按需安装PyMuPDF
- 保持向后兼容性

#### 3. GUI应用 (`markitdown_gui.py`)

**核心特性**:
- 智能PDF处理状态显示
- Azure OpenAI配置管理
- 中文提示词自定义
- 预览和转换功能分离

## 📱 GUI界面详细介绍

### 主界面布局

```
┌─────────────────────────────────────────────────────────┐
│ MarkItDown GUI - 文档转换工具                           │
├─────────────────────────────────────────────────────────┤
│ 📁 文件选择区域                                         │
│   [选择文件] [拖拽文件到此处]                           │
│   支持格式: PDF, DOCX, PPTX, XLSX, 图片等              │
│   💡 智能PDF处理：自动检测图片，节省成本                │
├─────────────────────────────────────────────────────────┤
│ ⚙️ 选项设置                                             │
│   ☑️ 启用插件  ☑️ 智能PDF处理                          │
├─────────────────────────────────────────────────────────┤
│ 🎛️ 操作按钮                                             │
│   [🤖 模型配置] [👁️ 预览] [🔄 转换为Markdown]          │
├─────────────────────────────────────────────────────────┤
│ 📄 输出区域                                             │
│   [转换结果显示区域]                                    │
│                                                         │
├─────────────────────────────────────────────────────────┤
│ 📊 状态栏                                               │
│   主状态: 准备就绪                                      │
│   详细信息: 等待文件选择...                             │
└─────────────────────────────────────────────────────────┘
```

### 配置界面

**Azure OpenAI配置**:
- API Key输入（密码模式）
- Endpoint地址配置
- Deployment名称设置
- 中文提示词自定义

**智能处理选项**:
- 智能PDF处理开关
- 插件启用选项
- 自动保存设置

## 🎯 使用方法

### 基础使用流程

1. **启动应用**
   ```bash
   python markitdown_gui.py
   ```

2. **配置Azure OpenAI**（首次使用）
   - 点击"🤖 模型配置"
   - 填入您的Azure OpenAI配置信息
   - 自定义中文提示词（可选）

3. **选择文件**
   - 点击"选择文件"按钮
   - 或直接拖拽文件到界面

4. **预览或转换**
   - **预览**: 快速查看转换效果（不使用AI）
   - **转换**: 完整转换，包含AI图片分析

5. **查看结果**
   - 在输出区域查看Markdown结果
   - 查看详细的转换统计信息

### 智能PDF处理示例

#### 场景1: 无图片PDF
```
📄 选择文件: 纯文本文档.pdf (2.5MB)
🔍 智能检测: 未发现图片
⚡ 处理结果: 0.05秒完成，节省API成本
📊 输出统计: 5000字符，0张图片
```

#### 场景2: 图文混合PDF
```
📄 选择文件: 技术报告.pdf (8.2MB)
🔍 智能检测: 发现6张图片
🤖 AI分析: 使用GPT-4o分析图片内容
📊 输出统计: 12000字符，6张图片描述
⏱️ 处理时间: 45秒（包含AI分析）
```

### 高级功能

#### 自定义提示词
```
默认提示词：
"请用中文详细描述这张图片的内容。包括：
1)图片中的所有文字内容
2)图表、表格、数据信息  
3)图片的整体布局和设计
4)任何重要的视觉元素"

自定义示例：
"请专注描述这张图片中的技术架构图，
包括组件名称、连接关系和数据流向。"
```

#### 批量处理建议
```python
# 对于大量PDF文件的处理建议
files = ["doc1.pdf", "doc2.pdf", "doc3.pdf"]
for file in files:
    # GUI会自动检测每个文件是否需要AI分析
    # 只对包含图片的文件调用API
    result = process_file(file)
```

## 🔧 安装和配置

### 环境要求
- Python 3.10+
- Windows/Linux/macOS

### 安装步骤
```bash
# 1. 克隆项目
git clone https://github.com/zhaixccc/markitdown-enhanced.git
cd markitdown-enhanced

# 2. 安装依赖
pip install -e packages/markitdown[all]
pip install customtkinter openai

# 3. 运行GUI
python markitdown_gui.py
```

### Azure OpenAI配置
1. 在Azure Portal创建OpenAI资源
2. 部署GPT-4o模型
3. 获取API Key和Endpoint
4. 在GUI中配置相关信息

## 🎉 项目亮点

### 技术创新
- **智能成本控制**: 业界首创的PDF图片预检测机制
- **多模态融合**: 文本和图片内容的完美结合
- **用户体验优化**: 现代化GUI界面设计

### 实用价值
- **成本节省**: 最多可节省90%的API调用费用
- **效率提升**: 智能处理减少不必要的等待时间
- **易用性**: 图形界面降低使用门槛

### 开源贡献
- **向后兼容**: 完全兼容原版MarkItDown功能
- **模块化设计**: 可选依赖，按需安装
- **文档完善**: 详细的使用说明和配置指南

## 🔍 详细功能说明

### GUI界面组件详解

#### 1. 文件选择区域
- **选择文件按钮**: 打开文件选择对话框
- **拖拽区域**: 支持直接拖拽文件到界面
- **文件信息显示**: 显示文件名、大小、类型
- **格式提示**: 显示支持的文件格式列表

#### 2. 智能处理选项
- **智能PDF处理**: 启用/禁用PDF图片检测
- **启用插件**: 支持第三方插件扩展
- **处理策略提示**: 根据文件类型显示处理建议

#### 3. 操作按钮区
- **模型配置**: 打开Azure OpenAI配置窗口
- **预览**: 快速预览转换效果（不使用AI）
- **转换**: 完整转换，包含AI分析

#### 4. 输出显示区
- **Markdown预览**: 实时显示转换结果
- **语法高亮**: 支持Markdown语法高亮显示
- **滚动查看**: 支持大文档的滚动浏览

#### 5. 状态信息栏
- **主状态**: 显示当前操作状态
- **详细信息**: 显示处理进度和成本信息
- **统计数据**: 显示转换结果统计

### 智能处理流程图

```
文件选择 → 类型检测 → 智能决策 → 处理执行 → 结果展示
    ↓         ↓         ↓         ↓         ↓
  PDF文件   图片检测   AI分析?   API调用   Markdown
  Word文档  格式识别   基础转换   本地处理  + 图片描述
  图片文件  内容分析   成本评估   状态更新  + 统计信息
```

### 配置文件说明

#### markitdown_gui_config.json
```json
{
  "enable_plugins": true,              // 启用插件
  "docintel_endpoint": "",             // Document Intelligence端点
  "azure_openai_endpoint": "...",      // Azure OpenAI端点
  "azure_openai_api_key": "...",       // API密钥
  "azure_openai_deployment": "...",    // 部署名称
  "azure_openai_api_version": "...",   // API版本
  "llm_model": "gpt-4o",              // 模型名称
  "use_chinese_prompt": true,          // 使用中文提示词
  "custom_prompt": "...",              // 自定义提示词
  "smart_pdf_processing": true,        // 智能PDF处理
  "auto_save_results": false,          // 自动保存结果
  "preview_mode": true                 // 预览模式
}
```

## 🚨 常见问题解答

### Q1: 为什么选择智能PDF处理？
**A**: 传统方案对所有PDF都调用AI分析，即使是纯文本PDF也会产生API费用。我们的智能检测可以：
- 节省90%的不必要API调用
- 提高处理速度
- 降低使用成本

### Q2: 如何获取Azure OpenAI配置？
**A**:
1. 访问Azure Portal创建OpenAI资源
2. 在"Keys and Endpoint"页面获取API Key和Endpoint
3. 在"Model deployments"页面部署GPT-4o模型
4. 记录Deployment名称用于配置

### Q3: 支持哪些文件格式？
**A**:
- **文档**: PDF, DOCX, PPTX, XLSX, TXT, HTML
- **图片**: JPG, PNG, GIF, BMP, TIFF
- **音频**: MP3, WAV, M4A（需要额外配置）
- **网页**: URL链接

### Q4: 如何自定义图片描述？
**A**: 在模型配置中可以自定义提示词，例如：
- 技术文档：专注描述架构图和流程图
- 学术论文：重点描述数据图表和实验结果
- 商业报告：强调关键数据和趋势分析

### Q5: 处理大文件时如何优化？
**A**:
- 启用智能PDF处理减少不必要的AI调用
- 使用预览功能快速查看效果
- 对于超大文件，建议分批处理

## 🔄 版本更新记录

### v1.1.0 (当前版本)
- ✅ 新增智能PDF图片检测功能
- ✅ 添加现代化GUI界面
- ✅ 集成Azure OpenAI支持
- ✅ 支持中文提示词自定义
- ✅ 添加预览功能
- ✅ 优化成本控制机制

### 计划中的功能
- 🔄 批量文件处理
- 🔄 更多AI模型支持
- 🔄 云端配置同步
- 🔄 处理历史记录
- 🔄 导出格式扩展

---

## 📞 技术支持

如有问题或建议，请通过以下方式联系：
- **GitHub Issues**: 提交bug报告和功能建议
- **项目文档**: 查看详细的技术文档
- **社区讨论**: 参与开源社区交流

**让文档转换更智能，让AI使用更经济！** 🚀

markitdown-enhanced

markitdown-enhanced 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

markitdown-enhanced

markitdown-enhanced 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README