PDF және Word файлдарын AI үшін мәтінге қалай айналдыруға болады: Microsoft MarkItDown

Қосымша нұсқаулар Ailoot құжаттамасында берілген.

MarkItDown дегеніміз не және ол не үшін қажет?#

AI-ға келісімшарт, есеп немесе бухгалтерлік экспорт жібересіз, ал оның құжатқа қатысы жоқ жауабын аласыз. Әдетте бұған модель кінәлі емес. Файлда пішімделген мазмұн бар: Word — белгілеуі бар архив, Excel — ұяшықтары өзара байланысқан электрондық кесте, ал PDF — беттегі координаттары көрсетілген таңбалар жиыны. Модель мәтінмен жұмыс істейді, сондықтан әлдекім сол мәтінді бөліп алуы керек.

MarkItDown осыны жасайды. Репозиторийі github.com/microsoft/markitdown мекенжайында, MIT лицензиясымен таратылады, сондықтан оны шектеусіз пайдалануға болады. 2026 жылғы 18 тамыздағы жағдай бойынша, онда 174,412 жұлдызша және 12,756 форк бар; соңғы 0.1.7 нұсқасы 29 шілдеде шыққан. Жоба белсенді, бірақ бағыты әзірлеуден қолдауға ауысқан: ашық 481 pull request бар, ал бүкіл тарихында біріктірілгені — 183.

Әзірлеушілер оның мақсатын былай сипаттайды:

Сипаттамадағы келесі сөйлем құралға қатысты шағымдардың жартысын түсіндіреді:

Шығыс нәтижесі — модельге берілетін бастапқы материал. Ол әдемі құжат болмайды, жоба мұны бірінші бөлімінде-ақ ашық айтады.

Сипаттамада Markdown қолдану себебі де тікелей түсіндіріледі: жетекші модельдер бұл белгілеуді онсыз да «түсінеді» және сұрамасаңыз да жауаптарына қосады, өйткені оқыту кезінде оның орасан көп көлемін көрген. Бұған қоса, белгілеу ықшам: тақырыпқа арналған үш тор белгісі метадеректің он шақты жолынан аз орын алады.

MarkItDown кәдімгі түрлендіргіштен несімен ерекшеленеді?#

Айырмашылықты бір мысалдан-ақ көруге болады. Ішінде жиырма PDF бар бума алып, бәрін pandoc арқылы өткізіп көріңіз. Болмайды: pandoc PDF шығара алады, бірақ оны кіріс ретінде оқи алмайды. Ал «қолымда бір үйінді құжат бар, модельге бер» деген жағдай ең жиі кездеседі.

MarkItDown авторлары өздерін кез келген жерден мәтінді жай ғана бөліп алатын textract кітапханасымен салыстырады. Айырмасы — MarkItDown тақырыптар, тізімдер, кестелер мен сілтемелер сияқты құрылымды сақтауға тырысады.

Практикалық қорытынды қарапайым. Мақаланы жариялауға арналған макетке айналдыру керек болса, pandoc қолданыңыз. AI жиырма келісімшартты түсінуі керек болса, MarkItDown қолданыңыз.

Алғашқы шыққан нұсқаны орнатып алмау үшін MarkItDown-ды қалай орнатуға болады?#

Алдымен дұрыс пәрменді, содан кейін оның неге дұрыс екенін қарастырайық.

1. Python нұсқасын тексеріңіз

   Python 3.12 — ең сенімді таңдау: ол тексерілген барлық ортада MarkItDown-ның соңғы нұсқасын орнатады. Қолданыстағы нұсқаны python3 --version пәрмені көрсетеді. Intel Mac компьютерлерінде немесе macOS-тың ескі нұсқалары орнатылған Mac компьютерлерінде Python 3.13 және 3.14 жүйелері нұсқаны үнсіз төмендетуі мүмкін; төменде түсіндірілгендей, Python 3.15 әлі қолдау таппайды.

2. Пішімдерді көрсетіп орнатыңыз

   pip install 'markitdown[pdf,docx,xlsx,pptx]' пәрменін іске қосыңыз. Тырнақшалар қажет, әйтпесе shell шаршы жақшаларды өзі өңдейді. Intel Mac компьютерінде install сөзінен кейін --prefer-binary жалаушасын қосыңыз.

3. Орнатылғанын бірден тексеріңіз

   markitdown --version пәрменін іске қосыңыз. Жауапта markitdown 0.1.8 немесе одан кейінгі нұсқа көрсетілуі керек. Нөмір төмен болса, орнату кезінде нұсқа төмендетілген; себебі осы бөлімде түсіндіріледі.

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

Жоба сипаттамасында барлығын бірден орнатуға арналған негізгі пәрмен ретінде pip install 'markitdown[all]' көрсетілген. 2026 жылғы 28 қыркүйекте, 0.1.8 шыққаннан бір аптадан кейін, Apple Silicon Mac компьютерінде Python 3.14.6 және 3.12.12 орнатылған таза орталарда төрт нұсқа тексерілді:

Сегіз орнатудың бәрі «Successfully installed» хабарымен аяқталды, ал markitdown --version әр жағдайда 0.1.8 деп қайтарды. Тамызда, соңғы релиз 0.1.7 болған кезде, Python 3.14 жүйесіндегі үшінші пәрмен 2025 жылғы 8 наурызда шыққан 0.0.2 нұсқасын орнатты — жоба тарихындағы екінші релизді. Қазірде 0.0.1 мен 0.1.8 аралығында он бір тұрақты релиз, алдын ала шығарылған нұсқаларды қосқанда жиырма алты релиз бар.

Себебі — тәуелділіктер тізбегі. 0.1.7 нұсқасында [all] қосымшасы белгілі бір шығарылым қатарындағы YouTube субтитрлері кітапханасын қосады, ал сол қатардағы барлық релиз Python 3.14 жүйесінде жұмыс істемейтінін көрсетеді. Орнатушы оларды қабылдамайды да, нұсқа бекітілмегендіктен, орнатылатын нұсқаны тапқанша MarkItDown нұсқалары бойынша кері шегінеді. Ол 0.0.2 нұсқасын тауып орнатады, сөйтіп бір жарым жыл бұрынғы релиз компьютеріңізге түседі. 0.1.8 нұсқасында субтитрлер кітапханасына қойылатын талап 3.14 жүйесінде жұмыс істейтін қатарға көтеріліп, нұсқаны төмендету тоқтады.

Бұл механизм әлі де бар. Орнатушы жүйеңізге қажетті компоненттердің бірін таба алмаса, дәл солай үнсіз түрде 0.0.2 нұсқасына шегінеді. Соңғы нұсқаларда бұл компонент — файл түрін анықтайтын onnxruntime қозғалтқышы. Mac жүйесінде ол былай құрастырылады: Python 3.12 үшін macOS 11 және одан кейінгісі; 3.13 үшін macOS 13; 3.14 үшін тек macOS 14 немесе одан кейінгісі бар Apple Silicon. Mac компьютеріңіз осы талаптарға сай болмаса, жалаң pip install markitdown пәрменінің өзі 0.0.2 нұсқасын орнатады. Rosetta арқылы Python 3.14 іске қосылған Intel Mac-тағы сынақ дәл осындай нәтиже берді: «Successfully installed», ескерту жоқ, ішінде 0.0.2.

Intel Mac компьютерлерінде тағы бір қиындық бар. 2026 жылғы маусымнан бері PDF оқу үшін орнатылатын cryptography кітапханасының осы процессорға арналған алдын ала құрастырылған нұсқасы шықпайды, сондықтан орнатушы оны бастапқы кодтан құрастыруға тырысады. Пәрменге --prefer-binary жалаушасын қоссаңыз, алдын ала құрастырылған пакеті бар алдыңғы нұсқаны қолданады. Intel жүйесіндегі Python 3.13 арқылы тексергенде, бұл 0.1.8 нұсқасын орнатып, PDF файлын ашты. Жалауша үш белгілі осалдығы бар cryptography 48.0.1 нұсқасын орнатады: PKCS#7 шифрын ашуда және сертификаттар тізбегін тексеруде. MarkItDown оны тек шифрланған PDF файлдарының шифрын ашу үшін қолданады, ал құжатты оқу сол бөліктерге жетпейді.

Python 3.15 жүйесінде нұсқа екі себеппен төмендейді. 0.1.8 нұсқасы тек 3.10-нан 3.14-ке дейінгі аралықты қолдайтынын көрсетеді, ал 3.15 үшін қозғалтқыш әлі жоқ. Орнатушының 3.15 жүйесіндегі жұмысы мұны растайды: жалаң пәрмен де, пішімдер көрсетілген пәрмен де бірдей 0.0.2 нұсқасын орнатады.

Нұсқа төмендетілгендегі ескерту пәрмендегі әр қосымша үшін бір жолдан осылай көрінеді:

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

Бұл жол ондаған жүктеу жолының арасында көзге түспей қалады және орнына қандай нұсқа алынғанын айтпайды. Қосымшасыз жалаң пәрменде тіпті ескерту де болмайды. Соңғы хабар қуанышты: «Successfully installed».

Қосымшаларсыз орнату да шешім емес. Негізгі пакет орнатылады, бірақ PDF аша алмайды:

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]'

Құралдың өзі [all] қолдануды ұсынады; 0.1.8 нұсқасымен бұл кеңес Python 3.14 және 3.12 жүйелерінде қайтадан жұмыс істейді. Дегенмен пішімдерді жеке атаған дұрыс: [all] тағы он бес шақты пакет пен шамамен 55 мегабайт қосады. Оның ішінде алдын ала шығарылған Azure кітапханасы және орнатуды бір рет бұзған сол YouTube тәуелділіктер тізбегі бар.

Azure-дың алдын ала шығарылған нұсқасын орнатушының өзі өңдейді. Әдетте pip алдын ала шығарылған нұсқаларды өткізіп жібереді, бірақ мұнда тәуелділік талабында оның атауы нақты көрсетілген, сондықтан орнатады. Python 3.12 жүйесінде pip-тің 23.2-ден 26.2-ге дейінгі төрт нұсқасы тексерілді; бәрі 0.1.8 нұсқасын таңдайды.

Тамызда тағы бір таза ортаға қайта орнатқанда да нәтиже өзгермеді: 0.0.2 және «Successfully» сөзі.

Алдын ала біле жүрген жөн бірнеше практикалық жайт бар.

Көлемі едәуір үлкен: қосымшасыз орнату 143 мегабайт, төрт пішіммен 303 мегабайт алады. Ең ауыр компонент — 81 мегабайттық файл түрін анықтағыш; ол негізгі орнатуға да қосылады. Ноутбук үшін бұл маңызды емес, бірақ өлшем шектеуі бар бұлт функциясы үшін маңызды.

Айна серверлеріне қосалқы шешім ретінде сенбеңіз. Тексерілген айна сервер индексін берді, MarkItDown файлдары да бар еді, бірақ қажетті тәуелділіктердің бірі жоқ болғандықтан, Python 3.14 және 3.12 жүйелерінде орнату сәтсіз аяқталды.

Орнату негізгі мәселемен салыстырғанда ұсақ нәрсе. Көбіне AI-дың сандырағы оның контекст терезесіне қате материалдың немесе материалдың қате көрсетілімінің берілуінен туындайды. Модельге тапсырма берер алдында не ұсыну керектігін анықтау контекст инжинирингі деп аталады, ал құжатты дайындау — соның бір бөлігі.

Алғашқы құжатты мәтінге қалай айналдыруға болады?#

Ең қысқа нұсқа:

markitdown dogovor.docx

Мәтін терминалға шығады. Файлға сақтаудың екі жолы бар:

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

Mac пен Linux жүйелерінде айырмашылық елеусіз, бірақ Windows-та маңызды: шығыс нәтижесінде кирилл мәтіні болса, > арқылы қайта бағыттау бағдарламаның істен шығуына әкелуі мүмкін.

Файлды ағын ретінде беруге болады; мұндайда кеңейтімді көрсету пайдалы:

cat dogovor.docx | markitdown -x docx

Мұнда 0.1.8 нұсқасының көмегіндегі негізгі жалаушалар берілген:

Сол көмек мәтінінде тексерілген тағы үш пайдалы жалауша аталады: --list-plugins орнатылған плагиндерді көрсетеді, -p оларды нақты іске қосу үшін қосады, ал --keep-data-uris құжат ішіне ендірілген суреттерді шығыс нәтижесінде сақтайды (әдепкіде қиылып тасталады). Қалғандары Microsoft бұлттық қызметтеріне арналған баптаулар.

Python қаптамасы үш жолдан тұрады:

from markitdown import MarkItDown

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

Дәл осы шақыру URL мекенжайын да қабылдайды. Қарапайым беттен мәзірі мен төменгі бөлігінсіз, тақырып пен сілтемені қоса алғанда, 167 таңбалық таза мәтін қайтты:

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

MarkItDown қандай пішімдерді түсінеді және бұл іс жүзінде нені білдіреді?#

Мәлімделген мүмкіндіктер мен олардың іс жүзінде нені білдіретінін жинақтайтын кесте:

Үш тармақты толығырақ қарастырайық.

Суреттер. Сипаттамада OCR сөзі бар болғандықтан, жұрт бағдарлама фотодағы мәтінді оқиды деп күтеді. Олай емес. Ол exiftool атты бөлек бағдарлама арқылы метадеректі оқиды, ал өз кілтіңізбен көру моделін жалғасаңыз, суретті сипаттату үшін соған жібере алады.

Аудио. Сөйлеуді мәтінге айналдыру мүмкіндігі бар, бірақ тіл параметрі берілмейді және қозғалтқыш әдепкіде ағылшын тілін күтеді. Оған қоса, күніне бір кілтке шамамен елу сұраумен шектелген Google-дың бейресми тегін нүктесін шақырады.

Архивтер. Бағдарлама ZIP файлдарын ашады да, ішіндегі файлдарды аралап, алынған нәтижелерді біріктіреді. Қандай да бір файлды талдай алмаса, қате ұсталып, басылады. Ол файл жай ғана нәтижеде болмайды, ал сіз бұл туралы білмей қаласыз.

Кирилл мәтіні бар құжаттарда не болады?#

Төмендегі файлдар арнайы сынақ үшін жасалған; ішіндегі деректер ойдан алынған.

Excel қойма тізімі де дәл осылай таза шықты, ал парақ атауы тақырыпқа айналды:

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

Презентация мәтінге айналды: слайд нөмірлері ескертпе ретінде көрсетіліп, слайд тақырыптары бөлім атауларына айналды. Мұнда да кирилл мәтіні тұтас сақталған. «MarkItDown кирилл әріптерін түсінбейді» деген жалпылама тұжырым — жалған.

Енді мәселе туындайтын үш жерді қарастырайық.

Нүктелі үтірі бар CSV. Салыстыру үшін бірдей екі шот экспорты өңделді. Үтір қолданылған файлдан төрт бағанды дұрыс кесте шықты. Нүктелі үтір болса, бүкіл жол бір ұяшыққа түседі.

Бүкіл жол бір ұяшыққа түсті. Кодтау дұрыс анықталды, қате болған жоқ; -c жалаушасы көмектеспейді. Модель бұл кестені алып, қай мән соманы, қайсысы мәртебені білдіретінін түсінбейді. Түпнұсқаны өзгертпей, файлды бөлгіші үтір және кодтауы дұрыс етіп қайта экспорттаңыз. Нүктелі үтірлерді жаппай ауыстырмаңыз: тырнақшадағы мәтін ішіндегі бөлгіштер мен ондық үтірлер мәннің бөлігі болуы мүмкін. Қайта экспорттау мүмкін болмаса, түпнұсқаны нақты бөлгішімен талдап, тырнақша мен ұяшық мәндерін сақтайтын CSV жазғышымен жаңа файл жазыңыз. Талдаудан бұрын баған, жол сандарын және бақылау қорытындыларын бастапқы экспортпен салыстырыңыз.

Excel-дегі валюта пішімі. Валюта таңбасы ұяшықтың көрсету баптауларында сақталады, ал мәннің өзіне кірмейді. Жоба жетекшілері себепті растаған. Баға тізімі немесе шот үшін бұл маңызды: модель сандарды көргенімен, олардың қай валюта екенін білмейді.

Windows консолі. Латын әліпбиіне жатпайтын таңбалары бар файлдарда бағдарлама істен шығуы мүмкін.

Қате ізі cp1251 кодтауын көрсетеді, яғни мәселе Windows консолінде. Құжаттың өзі дұрыс талданады; терминал терезесіне басылғанда ғана ақау шығады. Мұны айналып өтудің екі жолы бар:

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

Бірінші тәсіл консольді мүлде айналып өтеді; екіншісі Python-ды UTF-8 форматында жазуға мәжбүрлейді. Құралдың өзіндегі ақауға кемінде алты рет түзету ұсынылған: кей ұсыныстар біріктірілмей жабылған, қалғандары әлі ашық. Сондықтан айналып өту жолын қолдануға тура келеді.

PDF файлдарында тағы бір белгі кездеседі: әріптердің орнына (cid:1090) сияқты тізбектер шығады. Бұл файлда стандарттан тыс қаріп кестесі барын және таңбаларын декодтау мүмкін болмағанын білдіреді. Мұндай құжатты MarkItDown арқылы өңдеудің мәні жоқ; басқа құрал қажет.

PDF неге ретсіз болып шығады?#

Сынақ үшін екі бағанды, көлемі 2.16 мегабайт ғылыми мақала өңделді. Шығу коды нөл болды; 0.9 секундтан кейін шығыс нәтижесінде 88,000 таңба болды, оның басым бөлігі — сандырақ. 88,000 таңба бәрі ойдағыдай болғандай әсер қалдырады. Файлды ашқанға дейін:

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

Бір мезгілде үш нәрсе бұзылды. Екі бағанды макет мақалада жоқ кестелерге айналды. Сөздер аралықсыз жабысып қалды. Соңғы жол — беттегі тік бүйір панель, ол теріс бағытта шығарылған.

Одан кейін қызық жайт болды. Сынақ мақаласы MarkItDown-ды өзі өлшеп, басқа құралдармен салыстырған зерттеудің өзі болып шықты. Құрал өз өлшемдері туралы жазылған абзацты былай түрлендірді:

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-

Сол және оң бағандар жол-жолымен жалғанған. Мұны алған модель бір абзацтың жарты сөйлемін екіншісінің жарты сөйлемімен қосып оқиды.

Себебі техникалық жағынан қарапайым. Word «бұл — тақырып» және «бұл — кесте ұяшығы» деп нақты сақтайды. PDF «бұл — таңба» және «оның беттегі координаттары мынадай» дегенді ғана сақтайды. Координаттардан құрылымды қайта құрастыру — жеке әрі қиын міндет, ал MarkItDown мұны дерлік істемейді. PDF талдау кодында тақырыптарды анықтау жоқ: бет пішін немесе кесте ретінде танылмаса, бүкіл құжат негізгі мәтін бөліп алу тәсілімен өңделеді.

Пайдаланушылар бұл туралы жоба репозиторийінде, соның ішінде ғылыми мақалалар мен кестелерге қатысты, жиі хабарлайды.

Бастапқы коды көрсеткендей, құрал PDF-тен бірде-бір тақырып таппайды.

«MarkItDown дәлдігі 82%-ға жетеді» деген сан желіде әдістемесіз тарап жүр. Оны бастапқы дереккөзге дейін іздегенде еш нәтиже шықпайды: сілтемелер тізбегі жүктелмейтін бетте аяқталады. Сондықтан оны өлшем ретінде қабылдауға болмайды.

Сканерленген келісімшартпен не болады?#

Бұл әрекет басқа ақаулардан қауіптілеу, өйткені сәтсіздікке ұқсамайды.

Сынақ үшін мәтіні бар суреттен PDF жасалды — келісімшартты суретке түсіргенде немесе сканерлегенде дәл осындай файл шығады. Кездейсоқ нәтиже емесіне көз жеткізу үшін сынақ қайталанды:

Нөл таңба және қатарынан екі рет нөл қате. Нөлдік шығу коды «бәрі ойдағыдай өтті» дегенді білдіреді, сондықтан сәттілікті шығу кодымен тексеретін кез келген скрипт құжат өңделді деп есептейді. Содан кейін бос нәтиже модельге беріліп, модель ештеңе көрмей, жоқтан жауап ойлап таба бастайды.

Мұны айналып өтудің екі жолы бар, екеуі де ақылы. Біріншісі — -d жалаушасы: құжатты Microsoft-тың бұлттық тану қызметіне жібереді; жалаушаның көмек мәтінінде жарамды қызмет нүктесі қажет екені ашық көрсетілген. Екіншісі — беттерді өз кілтіңізді пайдаланып көру моделіне жіберетін бөлек қосымша пакет, сондықтан әр бет үшін модель провайдеріне төлейсіз. 2026 жылғы сәуірден бері екінші әдіс туралы ашық талқылауда көпбетті сканның тек бірінші беті өңделетіні айтылған.

Тану моделін өз компьютеріңізде де іске қосуға болады, бірақ бұл — бөлек жоба.

Бір реттік құжат үшін оны ашып, мәтінді қолмен көшіру оңайырақ. Скан ағыны үшін кіріктірілген тану мүмкіндігі бар құрал керек.

Файлды жай ғана онлайн түрлендіргішке жүктеуге бола ма?#

«MarkItDown онлайн» — іздеуде жиі ұсынылатын тіркестердің бірі, әрі осы қызметті ұсынамыз дейтін сайттар бар. Microsoft-тың түпнұсқа құралының сайты жоқ: ол тек өзіңіз орнататын бағдарлама түрінде қолжетімді. Браузерде ашылатын ұқсас атаудағы кез келген қызметті басқа біреу жасаған.

Мұндай қызметті бір минутта тексеруге болады: желілік сұраулар қойындысында әзірлеуші құралдарын ашып, зиянсыз кез келген файлды жүктеп, оның серверге кететін-кетпейтінін қараңыз. Кетсе, жиі қойылатын сұрақтар бөлімінде қаншалықты сенімді айтылса да, браузерде өңделеді деген мәлімдеме жалған.

Сондықтан MarkItDown құжаттарды ұйымнан тыс жіберуге болмайтын жерде бағаланады. Бір талқылауда біреу өз жағдайын сипаттаған: жұмыс ноутбугында кез келген бағдарламаны орнатуға тыйым салынған, бірақ Python кітапханаларына рұқсат етілген, сондықтан жергілікті утилита жалғыз қолжетімді нұсқа болған.

MarkItDown іс жүзінде қанша үнемдейді?#

Office файлы — белгілеуі бар архив. Үш сынақ файлын ашып, мазмұн бөлігі мен шығыс мәтінінің көлемін салыстырсаңыз, мынадай нәтиже шығады:

Файлдар шағын; үлкен файлдарда арақатынас өзгеше болады, әрі үнемнің бірыңғай көрсеткіші жоқ. Салыстыру мақалаларында дөңгелек сандар берілсе, әдістемесін сұраңыз.

Әзірлеушілердің өзі де үнем туралы айтады: жоба сипаттамасында Markdown ережелерінің таңбалар тұрғысынан өте үнемді екені арнайы жазылған. Бұл рас, бірақ негізгі артықшылық ретінде ұсынылмауы керек. «Модель он бес мыңның орнына үш мың таңба алды» деген мен «модель былықтың орнына анық құрылым алды» дегеннің айырмашылығы бірдей деңгейде емес. Біріншісі ақша үнемдейді, екіншісі жауаптың мағыналы болатынын анықтайды.

Контекст шығыны алаңдатса, бұл бөлек қарастырылған: Claude-та токендер қайда жұмсалады және әр жоспарға қанша токен кіреді.

MarkItDown-ды MCP арқылы Claude-қа қалай қосуға болады?#

MCP — AI өздігінен қолдана алатын сыртқы құрал беру тәсілі. Механизм мен басқа серверлерге шолу үшін Claude Code-қа арналған MCP серверлеріне жасалған шолуды қараңыз.

MarkItDown сервері бір ғана құрал ұсынады: құжатты мәтінге айналдыру. Ол жергілікті файл жолын, веб-бет URL мекенжайын немесе тікелей сұрауға ендірілген деректі қабылдайды.

Оны нұсқасы бекітілген бір пәрменмен Claude Code-қа қосуға болады. uv пакет менеджері қажет:

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

Екінші пәрменнің жауабында markitdown үшін «Connected» деп тұруы керек. Алғашқы іске қосылу жетпіске жуық пакетті жүктеп, бір минутқа дейін созылады; одан кейін сервер бір-бір жарым секундта іске қосылады.

Төмендегі ескертулердің әрқайсысы қолмен тексерілген.

0.0.1a7 жинағы 2026 жылғы 14 қыркүйекте шықты. Оған дейін сервер 2025 жылғы мамырдан бастап бір жылдан астам уақыт 0.0.1a4 нұсқасында тұрып қалған еді. Соңғы нұсқа нөмірі әлі де алдын ала шығарылған нұсқаны білдіреді.

Ол Python-ның кейінгі нұсқасы бар барлық жүйеде орнатыла бермейді. Тәуелді onnxruntime қозғалтқышы Python 3.14 жүйесінде тек macOS 14 немесе одан кейінгі нұсқасы бар Apple Silicon Mac компьютерлерінде қолжетімді; сондықтан Python 3.14 орнатылған Intel Mac-та және macOS 13 немесе одан ертерек жүйелерде орнату сәтсіз аяқталады. Apple Silicon Mac-та сервер Python 3.14, 3.13 және 3.12 жүйелерінде іске қосылып, үшеуіне де орнатылды. Пәрменде UV_PYTHON=3.12 қолданылады: Windows, Linux және Apple Silicon Mac үшін 3.12-ге арналған алдын ала құрастырылған пакеттер бар, ал ол Python нұсқасы болмаса, uv оны жүктеп алады. Intel Mac компьютерлеріне қатысты мұнда да бір ескерту бар: 2026 жылғы маусымнан бері Intel үшін алдын ала құрастырылған пакет болмағандықтан, uv cryptography кітапханасын бастапқы кодтан құрастырады. Орнату ұзағырақ созылып, сәтсіз аяқталуы мүмкін.

Ішіне орнатылатын MarkItDown нұсқасы uv нұсқасына байланысты. MarkItDown 0.1.6 нұсқасынан бастап, оның [all] қосымшасына Azure-дың алдын ала шығарылған кітапханасы қажет: uv 0.12 және кейінгі нұсқалары оны әрі MarkItDown-ның соңғы 0.1.8 нұсқасын орнатады, ал ескі uv нұсқалары 0.1.5 нұсқасына дейін төмендетеді. uv нұсқасын uv --version пәрменімен тексеріңіз.

Компьютерден тысқа екі нәрсе жіберіледі. Біріншісі — телеметрия: Mac пен Linux жүйелерінде сервер ішіндегі onnxruntime қозғалтқышы әдепкіде оны Microsoft-қа жібереді. Пәрмендегі ORT_DISABLE_TELEMETRY=1 айнымалысы мұны өшіреді. Сынақта бұл айнымалысыз сервер Microsoft-тың телеметрия нүктелеріне қосылды. Айнымалы орнатылғанда, файлдар дискіден өңделген кезде ешқандай байланыс болған жоқ.

Екіншісі — аудио. Сервер WAV, MP3, M4A және MP4 файлдарын кәдімгі HTTP арқылы, шифрлаусыз, Google-дың сөйлеуді тану қызметіне мәтінге айналдыру үшін жібереді. Клиенттермен әңгімелердің жазбасын бұл қызметке жібермеген жөн.

Үлкен құжат сыймайды. Ашық талқылауда сервердің 51,000 токендік жауабы 25,000 токендік шекке тірелгені жазылған, әрі құрал файлдарды бөліктерге бөлмейді.

Қауіпсіздік мәселесі де бар. Пакеттің өз құжаттамасында ашық жазылған:

Басқаша айтқанда, бұл құралға қол жеткізген агент сіз оқи алатынның бәрін оқи алады. Өз компьютеріңізде жұмыс істегенде бұл жарамды. Серверді ашық желіге шығаруға немесе сенімсіз агентке беруге болмайды.

Күнделікті жұмыс үшін бағдарламаны пәрменмен шақырып, алынған мәтінді жобаға салу оңайырақ. Сонда файл басқа материалдардың жанында тұрады, модель оны өздігінен қарай алады.

Басқа құралды қолданған дұрыс болатын кез қашан?#

Міндетке негізделген салыстыру; GitHub жұлдызшаларының бұған қатысы жоқ:

Салыстыру мақалаларында айтылмай қалатын Marker туралы бір жайт бар. 2026 жылғы шілдеден бастап кодтың өзі рұқсат беретін лицензиямен таратылады, ал модель салмақтарына шекті талаптары бар бөлек лицензия қолданылады: егер алдыңғы жылы компанияның кірісі бес миллион доллардан, ал тартқан қаржысы дәл осы сомадан аспаса, пайдалану тегін. Бәсекелес өнім жасап жатқан кез келген адамға пайдалануға тыйым салатын бөлек тармақ та бар. Бұл оқырмандардың көбіне қатысы жоқ, бірақ өсіп келе жатқан бизнес үшін құралды қабылдамас бұрын лицензияны оқып шығуға себеп болады.

Осыдан төрт қадамнан тұратын практикалық жұмыс тәртібі шығады:

1. Барлық файлды MarkItDown арқылы өңдеңіз — ол тегін әрі лезде орындалады.
2. Нәтижені ашып, көлемін тексеріңіз.
3. Мәтін түсінікті болса, жұмыс бітті; басқа ештеңе қажет емес.
4. Нәтиже түсініксіз немесе бос болса, сол файлды ғана қуаттырақ құралмен өңдеңіз.

Осылайша уақыт пен күрделіліктің құнын тек соған мұқтаж құжаттарға төлейсіз.

MarkItDown-ды жұмыс үдерісіне қалай қосуға болады?#

Anthropic Office файлдарымен жұмыс істеуге арналған өз дайын дағдыларында MarkItDown-ды қолданады, әрі сол дағдылар сіз ұстануыңыз керек шекті толық көрсетеді:

Мәтінде ұяшықтар мен беттерге сілтемелер жоғалады, сондықтан оны бастапқы файлға өзгеріс енгізу үшін пайдалана алмайсыз. Міне, үш жағдай.

Ұқсас құжаттар тобы — актілер, шоттар, бланкілер, өтініштер. Оларды бумаға салып, бір жолмен өңдеңіз:

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

Содан кейін модельге мәтін файлдары бар буманы беріп, тиісті ақпаратты кестеге жинауды сұраңыз. Бұл цифрлық файлдармен жұмыс істейді; скандар өтпейді, мұны олардың нөлдік көлемінен бірден байқайсыз.

Жобаның тұрақты материалдары — баға тізімдері, келісімшарт үлгілері, саясаттар, қызмет сипаттамалары. Оларды мәтінге бір рет айналдырып, жобаға қосыңыз. Сонда модель әр сұрауда оларды оқи алады, файлдарды әңгімеге қайта-қайта тіркеудің қажеті жоқ. Claude-қа файл жүктеу туралы мақалада мұның чатқа файл жүктеуден айырмасы түсіндіріледі.

Бухгалтерлік жүйеден алынған экспорт. Бухгалтерлік бағдарламадан немесе банк шотынан алынған Excel экспорты секундтың үштен бірінде кестеге айналады, ал модель ешқандай аралық әрекетсіз-ақ соның негізінде есептей алады. CSV нақты бөлгішімен, тырнақша ережесімен және кодтауымен экспортталғанын не талданғанын тексеріп, модельге бермес бұрын жолдар, бағандар мен бақылау қорытындыларын салыстырыңыз. Бөлгіштерді іздеп-ауыстырумен қалыпқа келтірмеңіз. Валютаны да анық жазыңыз: тек Excel ұяшығының пішімінде сақталған таңба шығарып алуда сақталмайды.

Терминалда үлкен PDF өңдеу бұл тізімге кірмейді. Бұл контекст шығынына қатысты бөлек мәселе, ол токен жоғалтпай Claude Code-та PDF өңдеу мақаласында қарастырылған. Жұмыс кеңістігін енді орнатып жатсаңыз, Claude Code орнатудан бастаңыз.

Дәл қазір бастау үшін pip install 'markitdown[pdf,docx,xlsx,pptx]' пәрменін іске қосып, қолыңызға түскен алғашқы Word келісімшартын өңдеп, нәтиже көлемін тексеріңіз. Жарты минутта өз файлдарыңызда жұмыс істейтінін білесіз.

Дайын болғанда, Ailoot-пен танысыңыз.