Convertire file PDF e Office in Markdown: spunta l'utilità open source Microsoft

Il formato Markdown è un linguaggio di markup leggero, progettato per essere facilmente leggibile sia così com’è che a valle di una conversione in HTML o in altri formati. La conversione file da formati come PDF, Word, Excel, PowerPoint a Markdown consente di rendere i contenuti più accessibili, flessibili e facili da modificare, automatizzando processi altrimenti lunghi e complessi.

La grande novità è che Microsoft ha sviluppato MarkItDown: disponibile gratuitamente sul repository GitHub sotto forma di progetto open source, si tratta di una libreria che funge da strumento versatile per chi necessita di convertire diversi tipi di file in un formato gestibile indipendentemente dall’applicazione.

Conversione da PDF, Word, Excel e PowerPoint in Markdown: a cosa serve

Una soluzione come MarkItDown si rivela utile in ambiti come l’indicizzazione dei contenuti, l’analisi testuale, la gestione dei testi oltre che in un ampio ventaglio di campi applicativi.

Grazie alla sua semplicità e versatilità, il formato Markdown è ampiamente utilizzato per creare documentazione tecnica, articoli e contenuti per il Web.

La libreria appena pubblicata da Microsoft consente l’estrazione del testo dai file PDF; permette di estrapolare i contenuti dei documenti Word mantenendo una struttura ordinata; supporta la conversione delle slide di PowerPoint, semplificando la rielaborazione dei contenuti; converte i dati raccolti in un foglio elettronico Excel per facilitare la successiva manipolazione degli stessi.

Elaborazione immagini, anche con OCR (riconoscimento ottico dei caratteri)

MarkItDown non si limita a processare il contenuto dei file in formato PDF, Word, Excel, PowerPoint ma integra anche un motore OCR utile per estrarre il testo dalle immagini.

La libreria, inoltre, è in grado di rilevare e analizzare i metadati EXIF eventualmente incorporati nei file di immagini.

Supporto di audio e altri formati

Producendo sempre un output in formato Markdown, MarkItDown può acquisire un file audio quindi generare la trascrizione testuale del parlato (motore speech-to-text). Anche in questo caso, come abilità “bonus”, la libreria può estrarre i metadati EXIF dai contenuti audio.

Ancora, MarkItDown include funzionalità speciali per la gestione di contenuti HTML, permettendo l’elaborazione automatizzata di qualunque pagine Web. È inoltre assicurato pieno supporto per i vari CSV, JSON, XML e altri file testuali.

Utilizzo dell’API

Un progetto come MarkItDown avrebbe poco senso se non potesse essere integrato con altre applicazioni. L’apposita API (Application Programming Interface) è progettata per essere semplice ed intuitiva, permettendo agli sviluppatori di integrare facilmente le funzionalità della libreria open source Microsoft nei loro progetti. Basato su Python, ecco un esempio di utilizzo di MarkItDown:

from markitdown import MarkItDown

markitdown = MarkItDown()
result = markitdown.convert("test.xlsx")
print(result.text_content)

Nell’esempio, la libreria MarkItDown è utilizzata per convertire un file Excel (test.xlsx) in formato Markdown. Il contenuto così generato, è accessibile attraverso la proprietà text_content.

L’API minimalista garantisce una curva di apprendimento rapida mentre la capacità di gestire formati eterogenei la rende adatta a diversi ambiti di utilizzo. Nel complesso, proprio grazie a MarkItDown, è possibile ridurre significativamente il tempo necessario per la conversione manuale dei contenuti.

Credit immagine in apertura: iStock.com – ipuwadol