Näin muunnetaan PDF- ja Word-tiedostot tekoälyn luettavaksi tekstiksi: Microsoftin MarkItDown

Lisäohjeita on Ailoot-dokumentaatiossa.

Mikä MarkItDown on ja mihin sitä käytetään?#

Lähetät tekoälylle sopimuksen, raportin tai kirjanpidon viennin ja saat vastauksen, jolla ei ole mitään tekemistä asiakirjan kanssa. Syynä ei yleensä ole malli. Tiedosto sisältää muotoilun: Word on merkintöjä sisältävä arkisto, Excel on taulukko, jonka solut liittyvät toisiinsa, ja PDF on joukko sivulle sijoitettuja merkkejä koordinaatteineen. Malli käsittelee tekstiä, ja jonkun täytyy poimia teksti tiedostosta.

Tätä MarkItDown tekee. Repositorio on osoitteessa github.com/microsoft/markitdown, ja sen lisenssi on MIT, joten voit käyttää sitä rajoituksetta. Elokuun 18. päivänä 2026 sillä on 174,412 tähteä ja 12,756 forkia; uusin julkaisu 0.1.7 ilmestyi 29. heinäkuuta. Projekti on aktiivinen, vaikka painopiste on siirtynyt kehityksestä ylläpitoon: avoimia pull requesteja on 481, kun koko historian aikana yhdistettyjä on 183.

Kehittäjät kuvailevat tarkoitusta näin:

Kuvauksen seuraava virke selittää puolet työkalusta esitetyistä valituksista:

Tulos on mallille tarkoitettua raaka-ainetta. Siitä ei tule kaunista asiakirjaa, ja projekti sanoo tämän suoraan heti ensimmäisessä osiossa.

Kuvaus kertoo suoraan, miksi käytössä on Markdown: johtavat mallit jo ”puhuvat” tätä merkintäkieltä ja sisällyttävät sitä vastauksiinsa pyytämättä, koska ne näkivät valtavia määriä sitä koulutuksen aikana. Merkintäkieli on myös tiivis: otsikolle kolme risuaitaa tusinan metatietorivin sijaan.

Miten MarkItDown eroaa tavallisesta muuntimesta?#

Ero näkyy yhdestä esimerkistä. Ota kansio, jossa on kaksikymmentä PDF-tiedostoa, ja yritä käsitellä ne pandocilla. Se ei onnistu: pandoc voi tuottaa PDF-tiedostoja tulosteena, mutta se ei voi lukea niitä syötteenä. Tämä tilanne — ”Minulla on pino asiakirjoja; anna ne mallille” — on kaikkein tavallisin.

MarkItDownin tekijät vertaavat sitä textractiin, kirjastoon, joka vain poimii tekstiä mistä tahansa. Erona on se, että MarkItDown yrittää säilyttää rakenteen: otsikot, luettelot, taulukot ja linkit.

Käytännön johtopäätös on yksinkertainen. Jos haluat muuntaa artikkelin julkaisuasetteluun, käytä pandocia. Jos haluat tekoälyn ymmärtävän kaksikymmentä sopimusta, käytä MarkItDownia.

Miten MarkItDown asennetaan niin, ettei vahingossa saa ensimmäistä julkaisua?#

Ensin oikea komento, sitten syy siihen, miksi se on oikea.

1. Tarkista Python-versio

   Python 3.12 on luotettavin: uusin MarkItDown asentuu kaikissa sillä testatuissa ympäristöissä. Komento python3 --version näyttää käytössä olevan version. Intel-Maceissa tai vanhempaa macOS-versiota käyttävissä Maceissa Python 3.13 ja 3.14 voivat hiljaisesti palauttaa vanhempaan versioon; Python 3.15:tä ei vielä tueta, kuten alla selitetään.

2. Asenna luetellut tiedostomuodot

   Suorita pip install 'markitdown[pdf,docx,xlsx,pptx]'. Lainausmerkit ovat pakolliset, muuten komentotulkki tulkitsee hakasulkeet. Lisää Intel-Macissa --prefer-binary-lippu install-sanan jälkeen.

3. Tarkista heti, että asennus onnistui

   Suorita markitdown --version. Vastauksen pitäisi olla markitdown 0.1.8 tai uudempi. Pienempi numero tarkoittaa, että asennus palautui vanhempaan versioon; tässä osiossa selitetään miksi.

pip install 'markitdown[pdf,docx,xlsx,pptx]'
markitdown --version

Projektin kuvauksessa pääkomennoksi mainitaan pip install 'markitdown[all]' — kaiken asentamiseksi kerralla. Syyskuun 28. päivänä 2026, viikko version 0.1.8 julkaisun jälkeen, ajettiin neljä vaihtoehtoa puhtaissa ympäristöissä Apple Silicon -Macilla, jossa oli Python 3.14.6 ja 3.12.12:

Kaikki kahdeksan asennusta päättyivät viestiin ”Successfully installed”, ja markitdown --version palautti kaikissa tapauksissa version 0.1.8. Elokuussa, kun uusin julkaisu oli 0.1.7, kolmas komento asensi Python 3.14:llä version 0.0.2, joka julkaistiin 8. maaliskuuta 2025 — projektin historian toisen julkaisun. Nyt vakaita julkaisuja on yksitoista, versioista 0.0.1–0.1.8, ja esijulkaisut mukaan lukien julkaisuja on kaksikymmentäkuusi.

Syynä oli riippuvuusketju. Versiossa 0.1.7 [all]-lisäosa ottaa mukaan YouTuben tekstityskirjaston tietystä julkaisusarjasta, jonka kaikki julkaisut ilmoittavat, etteivät ne toimi Python 3.14:llä. Asennusohjelma hylkää ne ja, koska versiota ei ole lukittu, siirtyy MarkItDownin versioita taaksepäin, kunnes löytää asennettavan version. Se löytää version 0.0.2 ja asentaa sen, jolloin koneellesi päätyy puolitoista vuotta vanha julkaisu. Versiossa 0.1.8 tekstityskirjaston vaatimus nostettiin sarjaan, joka toimii versiolla 3.14, ja palautuminen loppui siihen.

Mekanismi on yhä olemassa. Jos asennusohjelma ei löydä yhtä järjestelmässä vaadittua osaa, se siirtyy hiljaisesti samalla tavalla versioon 0.0.2. Viimeisimmissä versioissa kyseinen osa on tiedostotyypin tunnistimen käyttämä onnxruntime-moottori. Macissa se on saatavilla seuraavasti: Python 3.12:lle macOS 11 tai uudempi; versiolle 3.13 macOS 13; versiolle 3.14 vain Apple Silicon ja macOS 14 tai uudempi. Jos Macisi ei täytä näitä vaatimuksia, jopa pelkkä komento pip install markitdown asentaa version 0.0.2. Testissä Intel-Macilla, jossa Python 3.14 ajettiin Rosettan kautta, kävi juuri näin: ”Successfully installed”, ei varoituksia ja sisällä versio 0.0.2.

Intel-Maceissa on toinenkin mutka. Kesäkuusta 2026 lähtien PDF-tiedostojen lukemiseen mukaan tulevaa cryptography-kirjastoa on julkaistu ilman tälle suorittimelle valmiiksi käännettyä versiota, joten asennusohjelma yrittää kääntää sen lähdekoodista. Lisää komentoon --prefer-binary-lippu, niin se käyttää aiempaa versiota, josta on valmiiksi koottu paketti. Intelille Python 3.13:lla tehdyssä testissä se asensi version 0.1.8, ja PDF avautui. Lippu asentaa cryptography 48.0.1:n, jossa on kolme tunnettua haavoittuvuutta: PKCS#7-salauksen purkamisessa ja varmenneketjun tarkistuksessa. MarkItDown käyttää sitä vain salattujen PDF-tiedostojen salauksen purkamiseen, eikä asiakirjojen luku osu näihin osiin.

Python 3.15:llä palautuminen tapahtuu kahdesta syystä. Versio 0.1.8 ilmoittaa tuettaviksi vain versiot 3.10–3.14, eikä versiolle 3.15 vielä ole moottoria. Asennusohjelman ratkaisu versiolle 3.15 vahvistaa tämän: sekä pelkkä komento että tiedostomuotoja sisältävä komento asentavat saman version 0.0.2.

Palautumisvaroitus näyttää tältä, yksi rivi jokaista komennossa olevaa lisäosaa kohti:

WARNING: markitdown 0.0.2 does not provide the extra 'all'

Rivi hukkuu kymmenien latausrivien sekaan, eikä siinä kerrota korvaavasta versiosta mitään. Ilman lisäosia annetulla paljaalla komennolla varoitusta ei tule edes. Loppuraportti on iloinen: ”Successfully installed.”

Asennus ilman lisäosia ei sekään ratkaise ongelmaa. Peruspaketti asentuu, mutta sillä ei voi avata PDF-tiedostoja:

PdfConverter recognized the input as a potential .pdf file, but the
dependencies needed to read .pdf files have not been installed. To resolve
this error, include the optional dependency [pdf] or [all] when installing
MarkItDown. For example:

* pip install 'markitdown[pdf]'
* pip install 'markitdown[all]'

Työkalu itse suosittelee [all]-lisäosaa, ja version 0.1.8 kanssa neuvo toimii taas Python 3.14:llä ja 3.12:lla. Silti tiedostomuodot kannattaa luetella nimeltä: [all] lisää noin viisitoista pakettia ja noin 55 megatavua, mukaan lukien Azure-kirjaston esijulkaisun sekä juuri sen YouTube-riippuvuusketjun, joka rikkoi asennuksen jo kerran.

Asennusohjelma käsittelee Azuren esijulkaisun itse. Yleensä pip ohittaa esijulkaisut, mutta tässä vaatimus nimeää esijulkaisun nimenomaisesti, joten se asennetaan. Neljää pip-versiota 23.2:sta 26.2:een testattiin Python 3.12:lla; kaikki valitsevat version 0.1.8.

Elokuussa uudelleenasennus toisessa puhtaassa ympäristössä tuotti saman tuloksen: 0.0.2 ja sana ”Successfully”.

Muutama käytännön yksityiskohta kannattaa tietää etukäteen.

Ohjelma on melko suuri: pelkkä perusasennus vie 143 megatavua ja neljän tiedostomuodon kanssa 303. Raskain osa, 81 megatavun tiedostotyyppien tunnistin, tulee mukaan jo perusasennukseen. Kannettavassa tämä ei haittaa, mutta kokorajoituksen pilvifunktiossa sillä on merkitystä.

Peileihin ei kannata luottaa vararatkaisuna. Testattu peili tarjosi hakemiston ja MarkItDown-tiedostot olivat saatavilla, mutta yksi vaadittu riippuvuus puuttui, joten asennus epäonnistui sekä Python 3.14:llä että 3.12:lla.

Asennus on pikkujuttu pääongelmaan verrattuna. Paljon useammin tekoäly tuottaa roskaa, koska sen kontekstiin päätyi väärä asia tai väärä esitysmuoto. Kyky päättää, mitä mallille annetaan ennen tehtävää, on nimeltään kontekstin suunnittelu, ja asiakirjojen valmistelu kuuluu siihen.

Miten ensimmäinen asiakirja muunnetaan tekstiksi?#

Lyhin vaihtoehto:

markitdown dogovor.docx

Teksti tulostuu terminaaliin. Sen voi tallentaa tiedostoon kahdella tavalla:

markitdown dogovor.docx -o dogovor.md
markitdown dogovor.docx > dogovor.md

Ero on mitätön Macilla ja Linuxissa, mutta Windowsissa sillä on merkitystä: uudelleenohjaus merkillä > voi kaataa ohjelman, kun tuloste sisältää kyrillistä tekstiä.

Voit välittää tiedoston virtana; tällöin tiedostopäätevihje on hyödyllinen:

cat dogovor.docx | markitdown -x docx

Tässä ovat 0.1.8-version ohjeen tärkeimmät liput:

Sama ohje luettelee kolme muuta hyödyllistä lippua, jotka kaikki on testattu: --list-plugins näyttää asennetut laajennukset, -p ottaa ne käyttöön yksittäistä suoritusta varten ja --keep-data-uris säilyttää asiakirjaan upotetut kuvat tulosteessa (oletusarvoisesti ne rajataan pois). Loput ovat Microsoftin pilvipalvelujen asetuksia.

Python-kääre vie kolme riviä:

from markitdown import MarkItDown

md = MarkItDown()
print(md.convert("ostatki.xlsx").text_content)

Sama kutsu hyväksyy URL-osoitteen. Yksinkertainen sivu palautti siistiä tekstiä 167 merkkiä, otsikon ja linkin sisältäen mutta ilman valikkoa ja alatunnistetta:

r = md.convert("https://example.com")

Mitä tiedostomuotoja MarkItDown ymmärtää ja mitä se käytännössä tarkoittaa?#

Yhteenvetotaulukko siitä, mitä luvataan ja mitä käytännössä tapahtuu.

Kolme kohtaa tarkemmin.

Kuvat. Kuvauksessa on sana OCR, joten ihmiset odottavat ohjelman lukevan valokuvasta tekstiä. Se ei tee niin. Se lukee metatiedot erillisellä ohjelmalla nimeltä exiftool ja voi visionmallin omalla avaimellasi yhdistämällä lähettää kuvan sille kuvailtavaksi.

Ääni. Puheen litterointi on käytettävissä, mutta kieltä ei välitetä eteenpäin, ja moottori odottaa oletusarvoisesti englantia. Se kutsuu myös Googlen epävirallista ilmaista päätepistettä, jonka raja on noin viisikymmentä pyyntöä päivässä avainta kohti.

Arkistot. Ohjelma purkaa ZIP-tiedostot ja käy sisällä olevat tiedostot läpi liittäen tulokset yhteen. Jos se ei pysty jäsentämään tiedostoa, virhe otetaan kiinni ja vaimennetaan. Tiedosto ei yksinkertaisesti näy tuloksessa, etkä saa siitä tietää.

Mitä tapahtuu asiakirjoille, joissa on kyrillistä tekstiä?#

Alla olevat tiedostot luotiin nimenomaan testausta varten; niiden tiedot ovat keksittyjä.

Excel-varastoluettelo muuntui yhtä siististi, ja taulukon nimestä tuli otsikko:

## Stock
| Item | In stock | Reserved | Available |
| --- | --- | --- | --- |
| Coffee beans, kg | 420 | 38 | 382 |
| Loose-leaf tea, kg | 180 | 52 | 128 |

Esityksestä tuli tekstiä, jossa diojen numerot näkyivät huomautuksina ja diojen otsikoista tuli otsikoita. Myös tässä kyrillinen teksti säilyi ennallaan. Yleinen väite ”MarkItDown ei ymmärrä kyrillistä tekstiä” on väärä.

Sitten kolme kohtaa, joissa jokin menee pieleen.

Puolipisteillä erotettu CSV. Vertailua varten käsiteltiin kaksi identtistä laskuvientiä. Pilkkuja käyttävä tuotti asianmukaisen nelisarakkeisen taulukon. Puolipisteitä käyttävässä koko rivi päätyy yhteen soluun.

Koko rivi päätyi yhteen soluun. Merkistö tunnistettiin oikein, eikä virhettä tullut; -c-lippu ei auta. Malli saa tämän taulukon eikä ymmärrä, mikä arvo on summa ja mikä tila. Vie tiedosto uudelleen nimenomaisesti pilkulla erotettuna oikealla merkistökoodauksella ja säilytä alkuperäinen muuttumattomana. Älä korvaa puolipisteitä kaikkialta: lainausmerkeissä olevan tekstin erottimet ja desimaalipilkut voivat kuulua arvoon. Jos uudelleenvienti ei onnistu, jäsennä alkuperäinen sen oikealla erottimella ja kirjoita uusi CSV CSV-tietoisella kirjoittajalla, joka säilyttää lainaukset ja soluarvot. Vertaa ennen analyysia sarakemääriä, rivimääriä ja tarkistussummia lähdevientiin.

Excelin valuuttamuotoilu. Valuuttasymboli tallennetaan solun näyttöasetuksiin, eikä se sisälly itse arvoon. Projektin ylläpitäjät ovat vahvistaneet syyn. Hinnastossa tai laskussa tällä on merkitystä: malli näkee numerot tietämättä, mitä valuuttaa ne tarkoittavat.

Windows-konsoli. Ohjelma voi kaatua tiedostoilla, joissa on ei-latinalaisia merkkejä.

Virheen jäljityksessä näkyy cp1251-merkistö eli Windows-konsoli. Itse asiakirja jäsennetään oikein; tulosteen kirjoittaminen pääteikkunaan epäonnistuu. Kiertotapoja on siis kaksi:

markitdown dogovor.docx -o dogovor.md
$env:PYTHONUTF8 = "1"; markitdown dogovor.docx > dogovor.md

Ensimmäinen ohittaa konsolin kokonaan; toinen saa Pythonin kirjoittamaan UTF-8-muodossa. Ihmiset ovat ehdottaneet korjauksia itse työkaluun vähintään kuusi kertaa: osa ehdotuksista suljettiin yhdistämättä, ja loput ovat yhä avoinna. Ongelma täytyy siis kiertää.

Neljäs oire esiintyy PDF-tiedostoissa: kirjainten tilalla näkyy merkkijonoja kuten (cid:1090). Tämä tarkoittaa, että tiedostossa on epästandardi fonttitaulukko eikä sen merkkejä voitu purkaa. Tällaista asiakirjaa ei kannata käsitellä MarkItDownilla; tarvitaan toinen työkalu.

Miksi PDF:stä tulee sekamelska?#

Testiä varten käsiteltiin 2.16 megatavun tieteellinen artikkeli, jossa oli kaksi palstaa. Paluukoodi oli nolla; 0.9 sekunnin jälkeen tulosteessa oli 88,000 merkkiä, joista lähes kaikki olivat roskaa. Kahdeksankymmentäkahdeksantuhatta merkkiä antaa vaikutelman, että kaikki toimi. Kunnes avaat tiedoston:

|     | Hybrid |          | OCR-LLM     |     | Framework  |
| --- | ------ | -------- | ----------- | --- | ---------- |
...
Informationextractionfromcopy-heavydoc-
5202 tcO 11  ]LC.sc[  1v83101.0152:viXra

Kolme asiaa meni pieleen yhtä aikaa. Kaksipalstainen asettelu muuttui taulukoiksi, joita artikkelissa ei ole. Sanat liittyivät yhteen ilman välilyöntejä. Viimeinen rivi on sivun pystysuora sivupalkki, joka poimittiin takaperin.

Sitten tuli huvittava osuus. Testiartikkeli osoittautui juuri siksi tutkimukseksi, jossa mitattiin MarkItDownia ja verrattiin sitä muihin työkaluihin. Työkalu muutti omia mittauksiaan raportoivan kappaleen tällaiseksi:

cues. This name-matching error could be miti-  OCRpreprocessingoverhead(0.056s),whileDo-
gatedthroughpromptengineeringtoprovidemore  clingandMinerUadoptmorecomputationallyin-
explicit matching instructions or fine-tuning the  tensive strategies with OCR latencies of approxi-

Vasen ja oikea palsta yhdistyvät rivi riviltä. Tämän mallille antava lukee puolikkaan virkkeen yhdestä kappaleesta ja puolikkaan toisesta.

Syy on tekninen ja yksinkertainen. Word tallentaa nimenomaisesti tiedon ”tämä on otsikko” ja ”tämä on taulukon solu”. PDF tallentaa tiedot ”tämä on merkki” ja ”nämä ovat sen koordinaatit sivulla”. Rakenteen palauttaminen koordinaateista on erillinen ja vaikea tehtävä, eikä MarkItDown juuri yritä sitä. PDF-jäsentimen lähdekoodissa ei tunnisteta otsikoita: jos sivua ei tunnisteta lomakkeeksi tai taulukoksi, koko asiakirja käsitellään perustason tekstinpoistolla.

Käyttäjät raportoivat tästä säännöllisesti projektin repositoriossa, myös tieteellisten artikkelien ja taulukoiden osalta.

Työkalu ei löydä PDF-tiedostoista yhtäkään otsikkoa, aivan kuten sen lähdekoodi osoittaa.

Luku ”MarkItDownin tarkkuus on 82 %” kiertää verkossa ilman mitään menetelmäkuvausta. Sen jäljittäminen alkuperäislähteeseen ei johda mihinkään: linkkiketju päättyy sivulle, joka ei lataudu. Lukua ei voi pitää mittaustuloksena.

Mitä tapahtuu skannatulle sopimukselle?#

Tämä on muita ongelmia vaarallisempaa, koska se ei näytä virheeltä.

Testiä varten tekstin sisältävästä kuvasta tehtiin PDF — täsmälleen sellainen tiedosto kuin valokuvaksi otettu tai skannattu sopimus. Ajo toistettiin sattuman poissulkemiseksi:

Nolla merkkiä eikä virheitä, kahdesti peräkkäin. Nollapaluukoodi tarkoittaa ”kaikki sujui hyvin”, ja jokainen paluukoodilla onnistumista tarkistava komentosarja laskee asiakirjan käsitellyksi. Sitten tyhjä tuloste menee mallille, malli ei näe mitään ja alkaa keksiä vastausta tyhjästä.

Kiertotapoja on kaksi, ja molemmat ovat maksullisia. Ensimmäinen on -d-lippu, joka lähettää asiakirjan Microsoftin pilvipohjaiseen tunnistuspalveluun; lipun ohjeteksti sanoo nimenomaisesti, että kelvollinen palvelun päätepiste vaaditaan. Toinen on erillinen lisäpaketti, joka lähettää sivut näkömallille omalla avaimellasi, joten maksat mallipalveluntarjoajalle jokaisesta sivusta. Huhtikuusta 2026 lähtien toisesta menetelmästä avoimessa keskustelussa on raportoitu, että monisivuisesta skannauksesta käsitellään vain ensimmäinen sivu.

Voit myös ajaa tunnistusmallin omalla koneellasi, mutta se on erillinen projekti.

Yksittäisen asiakirjan tapauksessa on helpompaa avata se ja kopioida teksti käsin. Skannausten virtaa varten tarvitaan sisäänrakennetulla tunnistuksella varustettu työkalu.

Voiko tiedoston vain ladata verkkopohjaiseen muuntimeen?#

”MarkItDown verkossa” on yksi yleisimmistä hakuehdotuksista, ja sitä tarjoavia sivustoja on olemassa. Microsoftin alkuperäisellä työkalulla ei ole lainkaan verkkosivustoa; se on saatavilla vain itse asennettavana ohjelmana. Kaiken vastaavannimisen, selaimessa avautuvan palvelun on tehnyt joku muu.

Voit tarkistaa palvelun minuutissa: avaa kehittäjätyökalujen verkkopyyntöjen välilehti, lataa mikä tahansa harmiton tiedosto ja katso, meneekö se palvelimelle. Jos menee, väite selaimessa käsittelystä on väärä, vaikka sitä esitettäisiin UKK:ssa kuinka vakuuttavasti.

Siksi MarkItDownia arvostetaan paikoissa, joissa asiakirjoja ei saa lähettää organisaation ulkopuolelle. Yhdessä keskustelussa joku kuvaili tilannettaan: työkannettavalle ei saanut asentaa mielivaltaisia ohjelmia, mutta Python-kirjastot olivat sallittuja, ja paikallinen apuohjelma osoittautui ainoaksi käytettävissä olevaksi vaihtoehdoksi.

Kuinka paljon MarkItDown oikeasti säästää?#

Office-tiedosto on arkisto, joka sisältää merkintäkieltä. Kun purat kolme testitiedostoa ja vertaat sisältöä sisältävän osan kokoa tulosteen kokoon, saat seuraavaa:

Tiedostot ovat pieniä; osuudet ovat suuremmissa tiedostoissa erilaisia, eikä yhtä säästölukua ole. Kun vertailuartikkeleissa esiintyy tasalukuja, kysy, millä menetelmällä ne saatiin.

Kehittäjätkin puhuvat säästöistä: projektin kuvauksessa sanotaan nimenomaisesti, että Markdownin käytännöt ovat merkkimäärältään hyvin taloudellisia. Se pitää paikkansa, mutta sen ei pitäisi olla tärkein myyntivaltti. Ero sen välillä, ”saiko malli kolmetuhatta merkkiä viidentoistatuhannen sijaan” ja ”saiko malli selkeän rakenteen sekamelskan sijaan”, on aivan eri suuruusluokkaa. Ensimmäinen säästää rahaa; toinen ratkaisee, onko vastauksessa järkeä.

Jos kontekstin käyttö mietityttää, aihetta käsitellään erikseen: Mihin tokenit kuluvat Claudessa ja kuinka monta niitä kuhunkin tilaukseen sisältyy.

Miten MarkItDown yhdistetään Claudeen MCP:n kautta?#

MCP on tapa antaa tekoälylle ulkoinen työkalu, jota se voi käyttää itse. Yleiskatsaus mekanismiin ja muihin palvelimiin löytyy Claude Coden MCP-palvelinten arvostelusta.

MarkItDown-palvelin tarjoaa täsmälleen yhden työkalun: asiakirjan muuntamisen tekstiksi. Se hyväksyy paikallisen tiedostopolun, verkkosivun URL-osoitteen tai suoraan pyyntöön upotettua dataa.

Se yhdistetään Claude Codeen yhdellä komennolla, joka lukitsee palvelinversion. Tarvitset uv-pakettienhallinnan:

claude mcp add --scope user --env 'ORT_DISABLE_TELEMETRY=1' --env 'UV_PYTHON=3.12' --transport stdio markitdown -- uvx markitdown-mcp@0.0.1a7
claude mcp list

Toisen komennon vastauksessa pitäisi näkyä ”Connected” kohdassa markitdown. Ensimmäinen käynnistys lataa noin seitsemänkymmentä pakettia ja kestää enintään minuutin; sen jälkeen palvelin käynnistyy yhdessä tai puolessatoista sekunnissa.

Tässä ovat varaukset, jotka kukin on tarkistettu käsin.

Kooste 0.0.1a7 julkaistiin 14. syyskuuta 2026. Sitä ennen palvelin oli pysynyt yli vuoden versiossa 0.0.1a4, joka julkaistiin toukokuussa 2025. Uusin versionumero on yhä esijulkaisu.

Se ei asennu jokaiseen järjestelmään, jossa on uudehko Python-versio. Siitä riippuva onnxruntime-moottori on Macissa saatavilla Python 3.14:lle vain Apple Silicon -laitteissa, joissa on macOS 14 tai uudempi, joten asennus epäonnistuu Intel-Maceissa ja macOS 13:ssa tai vanhemmassa Python 3.14:llä. Apple Silicon -Macissa palvelinta kokeiltiin Python 3.14:llä, 3.13:lla ja 3.12:lla, ja se asentui kaikilla kolmella. Komennossa käytetään UV_PYTHON=3.12:lle valmiiksi käännettyjä paketteja on saatavilla Windowsille, Linuxille ja Apple Silicon -Maceille, ja jos kyseistä Python-versiota ei ole, uv lataa sen. Myös Intel-Maceissa on varaus: uv kääntää cryptography-kirjaston lähdekoodista, sillä kesäkuusta 2026 lähtien Intelille ei ole ollut valmiiksi käännettyä pakettia. Asennus kestää kauemmin ja voi epäonnistua.

Sisään asennetun MarkItDown-version määrää uv:n versio. MarkItDown 0.1.6:sta lähtien sen [all]-lisäosa vaatii Azuren esijulkaisukirjaston: uv 0.12 ja uudemmat asentavat sen sekä uusimman MarkItDownin 0.1.8, kun taas vanhemmat uv-versiot palautuvat versioon 0.1.5. Tarkista uv:n versio komennolla uv --version.

Koneen ulkopuolelle lähetetään kahta asiaa. Ensimmäinen on telemetria: Macissa ja Linuxissa palvelimen sisällä oleva onnxruntime-moottori lähettää sitä Microsoftille oletusarvoisesti. Komennon ORT_DISABLE_TELEMETRY=1-muuttuja poistaa sen käytöstä. Testissä palvelin muodosti yhteyden Microsoftin telemetriapäätepisteisiin ilman sitä. Kun muuttuja asetettiin, levyltä käsiteltyjen tiedostojen aikana ei muodostunut yhtään yhteyttä.

Toinen on ääni. Palvelin lähettää WAV-, MP3-, M4A- ja MP4-tiedostot Googlen puheentunnistuspalveluun litterointia varten tavallisen HTTP:n kautta ilman salausta. Asiakaskeskusteluista tehtyjä tallenteita ei kannata lähettää sen kautta.

Suuri asiakirja ei mahdu sen läpi. Avoimessa keskustelussa kuvataan palvelimen vastausta, jossa 51,000 tokenia ylitti 25,000 tokenin rajan, eikä työkalu jaa tiedostoja osiin.

Ja tietoturva. Paketin oma dokumentaatio sanoo suoraan:

Toisin sanoen tätä työkalua käyttävä agentti voi lukea kaiken, mihin sinäkin pääset käsiksi. Se käy työskentelyyn omalla koneellasi. Palvelinta ei saa asettaa julkisesti saataville tai antaa epäluotetulle agentille.

Tavallisessa työssä ohjelma on helpompi käynnistää komennolla ja siirtää tuloksena saatu teksti projektiin. Tiedosto jää muiden materiaalien viereen, jossa malli voi tarkastella sitä itse.

Milloin on rehellisempää käyttää toista työkalua?#

Tehtäväkohtainen vertailu; GitHub-tähdillä ei ole tässä mitään tekemistä:

Markerista on yksityiskohta, jonka vertailuartikkelit jättävät pois. Heinäkuusta 2026 lähtien itse koodi on ollut sallivalla lisenssillä, mutta mallipainot ovat erillisellä lisenssillä, jossa on raja: käyttö on ilmaista, jos yrityksesi liikevaihto ei ylittänyt viittä miljoonaa dollaria eikä se kerännyt samaa summaa rahoitusta edellisenä vuonna. Erillinen ehto kieltää käytön kaikilta, jotka rakentavat kilpailevaa tuotetta. Tämä ei koske useimpia lukijoita, mutta kasvavalle yritykselle se on syy lukea lisenssi ennen käyttöönottoa.

Tästä seuraa käytännöllinen nelivaiheinen työnkulku:

1. Käsittele kaikki MarkItDownilla — se on ilmainen ja välitön.
2. Avaa tulos ja tarkista sen koko.
3. Jos teksti on järkevää, tehtävä on valmis; muuta ei tarvita.
4. Jos tuloste on sekamelska tai tyhjä, käsittele kyseinen tiedosto raskaammalla työkalulla.

Näin maksat ajasta ja monimutkaisuudesta vain niiden asiakirjojen kohdalla, jotka sitä vaativat.

Miten MarkItDown otetaan osaksi työnkulkua?#

Anthropic käyttää MarkItDownia omissa valmiissa Office-tiedostojen käsittelyyn tarkoitetuissa skilleissään, ja niissä määritellään raja, jota sinun kannattaa noudattaa kokonaisuudessaan:

Solujen ja sivujen viitetiedot katoavat tekstistä, joten sitä ei voi käyttää lähdetiedoston muokkaamiseen. Tässä on kolme käyttötapaa.

Erä samankaltaisia asiakirjoja — pöytäkirjoja, laskuja, lomakkeita, hakemuksia. Laita ne kansioon ja käsittele yhdellä rivillä:

for f in dokumenty/*.docx; do markitdown "$f" -o "text/$(basename "$f" .docx).md"; done

Anna sitten tekstiasiakirjojen kansio mallille ja pyydä sitä kokoamaan olennaiset tiedot taulukkoon. Tämä toimii digitaalisilla tiedostoilla; skannaukset epäonnistuvat, ja huomaat ne heti niiden nollakoosta.

Pysyvät projektimateriaalit — hinnastot, sopimusmallit, käytännöt, palvelukuvaukset. Muunna ne tekstiksi kerran ja laita projektin viereen. Malli voi lukea niitä jokaisen pyynnön yhteydessä, joten sinun ei tarvitse liittää tiedostoja keskusteluun joka kerta. Tiedostojen lataamista Claudeen käsittelevä artikkeli selittää, miten tämä eroaa tiedoston lataamisesta keskusteluun.

Kirjanpitojärjestelmän vienti. Kirjanpito-ohjelman tai pankkitilin Excel-vienti muuttuu taulukoksi kolmanneksessa sekunnista, ja malli voi laskea siitä ilman välivaiheiden kanssa säätämistä. Tarkista, että CSV on viety tai jäsennetty sen oikealla erottimella, lainauskäytännöllä ja merkistökoodauksella, ja vertaa rivejä, sarakkeita sekä tarkistussummia ennen mallille antamista. Älä normalisoi erottimia etsi ja korvaa -toiminnolla. Kirjaa myös valuutta nimenomaisesti: vain Excel-solun muotoiluun tallennettu symboli ei säily poiminnassa.

Suurten PDF-tiedostojen käsittely terminaalissa ei kuulu tähän luetteloon. Se on erillinen kontekstin käyttöön liittyvä kysymys, jota käsittelee artikkeli PDF-tiedostot Claude Codessa tokeneita hukkaamatta. Jos olet vasta ottamassa työtilaasi käyttöön, aloita Claude Coden asentamisesta.

Aloita heti suorittamalla pip install 'markitdown[pdf,docx,xlsx,pptx]', käsittele ensimmäinen löytämäsi Word-sopimus ja tarkista tuloksen koko. Puolessa minuutissa tiedät, toimiiko se tiedostojesi kanssa.

Kun olet valmis, tutustu Ailootiin.