Microsoft MarkItDown: AI புராஜெக்ட்களுக்கு PDF மற்றும் Word ஃபைல்களை மாற்றும் சூப்பர் Python டூல்

MarkItDown அப்படின்னா என்ன?#

ஒரு வரியில் எளிமையா சொன்னா, உங்க கம்ப்யூட்டர்ல இருக்கிற PDF, Word, Excel போன்ற ஃபைல்களை AI மாடல்களுக்கு புரியும் சுத்தமான Markdown ஃபார்மேட்டுக்கு மாற்றும் ஒரு Python டூல் தான் இந்த MarkItDown. நீங்க காலேஜ் ஃபைனல் இயர் புராஜெக்ட் பண்ணும்போது அல்லது ஆபீஸ்ல ஒரு AI Chatbot ரெடி பண்ணும்போது கண்டிப்பா இந்த பிரச்சனையை பார்த்திருப்பீங்க. உங்க காலேஜ் சிலபஸ் PDF அல்லது ஆபீஸ் HR பாலிசி Word டாக்குமெண்ட்டை அப்படியே ChatGPT-ல தூக்கிப் போட்டா, டேபிள் எல்லாம் உடைஞ்சு கண்டபடி மாறிடும். வரிகள் தாறுமாறா பிரிஞ்சு போகும்.

AI மாடல்களுக்கு சாதாரண டெக்ஸ்ட்டை விட Markdown ஃபார்மேட் தான் ரொம்ப பிடிக்கும். அதாவது, தலைப்புகள் எது, லிஸ்ட் எது, டேபிளில் உள்ள கட்டங்கள் எதுன்னு Markdown-ல ரொம்ப தெளிவா இருக்கும். ஆனா ஒவ்வொரு ஃபைலுக்கும் தனித்தனி லைப்ரரி தேடி அலைஞ்சு கோட் எழுதுவது ரொம்ப தலைவலி. அந்த பெரிய தலைவலியை தீர்க்க தான் Microsoft இந்த ஓபன் சோர்ஸ் டூலை உருவாக்கியிருக்காங்க.

தற்போது GitHub தளத்தில் 1,91,340 ஸ்டார்களை பெற்றுள்ள இந்த புராஜெக்ட் (https://github.com/microsoft/markitdown என்ற முகவரியில் உள்ளது), AI டெவலப்பர்கள் மத்தியில் மிகப்பெரிய வரவேற்பை பெற்றுள்ளது. அண்மையில் 2026 அக்டோபர் மாதத்திலும் புதிய அப்டேட்கள் இதில் சேர்க்கப்பட்டுள்ளன.

உங்க Laptop-ல இதை எப்படி Step-by-step-ஆ Install பண்ணலாம்?#

இதை பயன்படுத்த உங்களுக்கு பெரிய GPU சர்வரோ அல்லது காசு கொடுத்து வாங்கும் கிளவுட் அக்கவுண்ட்டோ தேவையே இல்லை. உங்க சாதாரண லேப்டாப்பில் Python இருந்தாலே போதும், அஞ்சே நிமிஷத்துல இதை செட் பண்ணிடலாம்.

முதல்ல உங்க சிஸ்டத்தில் Terminal அல்லது Command Prompt திறந்து இந்த கமாண்டை ரன் பண்ணுங்க:

pip install markitdown

இப்போ உங்க டெஸ்க்டாப்பில் ஒரு Word டாக்குமெண்ட் இருக்குன்னு வைப்போம். உதாரணமாக, final_project.docx என்ற ஃபைலை உடனே Markdown-ஆக மாற்ற எந்த கோடிங்கும் எழுத தேவையில்லை. டெர்மினலிலேயே இப்படி ஒரு கமாண்ட் கொடுத்தா போதும்:

markitdown final_project.docx -o project_output.md

அவ்வளவுதான், நொடிப் பொழுதில் முழு ஃபைலும் சுத்தமான Markdown ஃபைலாக மாறிடும். ஒருவேளை நீங்க ஒரு Python ஸ்கிரிப்ட் வழியா இதை இயக்க நினைக்கிறீங்கன்னா, அதுவும் ரொம்ப ஈஸி:

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("placement_data.xlsx")
print(result.text_content)

அதாவது, ஒரு Excel ஷீட்டில் இருக்கும் பெரிய மார்க் லிஸ்ட் அல்லது கம்பெனி டேட்டாவை கூட நொடியில் அழகிய Markdown டேபிளாக மாற்றி தந்துவிடும்.

இதுக்கு எவ்வளவு செலவாகும்? என்னென்ன options இருக்கு?#

இந்திய மாணவர்களுக்கும் ஃப்ரீலான்ஸர்களுக்கும் இதில் இருக்கும் மிகப்பெரிய பிளஸ் பாயிண்ட் என்னன்னா, இது நூறு சதவீதம் முற்றிலும் இலவசம்.

பொதுவா கிளவுட் நிறுவனங்கள் டாக்குமெண்ட் கன்வெர்ஷன் செய்ய ஒவ்வொரு பக்கத்துக்கும் காசு வாங்குவாங்க. ஆனா MarkItDown ஓபன் சோர்ஸ் என்பதால் உங்க சொந்த லேப்டாப்பில் இயங்கும்போது ஜீரோ ரூபாய் தான் செலவு. கீழே உள்ள ஒப்பீட்டை பாருங்க:

ஒருவேளை உங்க PDF-க்குள் சிக்கலான வரைபடங்கள் அல்லது போட்டோக்கள் இருந்து, அதை AI பார்த்து விளக்கி சொல்லணும்னு நினைச்சா மட்டும் தான் நீங்க OpenAI அல்லது Azure OpenAI API கீ இணைக்க வேண்டி வரும். அதற்கு மட்டும் தான் அந்தந்த நிறுவனங்களின் சிறிய API கட்டணம் ஆகுமே தவிர, MarkItDown டூலுக்கு நீங்க ஒரு பைசா கூட தர தேவையில்லை.

Indian developers எந்தெந்த Real-world projects-க்கு இதை யூஸ் பண்ணலாம்?#

நம்ம ஊர் காலேஜ் பசங்க மற்றும் ஐடி ஊழியர்கள் தினமும் சந்திக்கிற மூன்று முக்கியமான வேலைகளுக்கு இது கச்சிதமா பொருந்தும்.

முதலாவதாக, இன்ஜினியரிங் காலேஜ் ஃபைனல் இயர் புராஜெக்ட். உங்க காலேஜ் லைப்ரரியில் இருக்கும் பழைய புராஜெக்ட் ரிப்போர்ட்கள், அண்ணா யுனிவர்சிட்டி சிலபஸ் PDF-களை எடுத்து ஒரு Chatbot ரெடி பண்றீங்கன்னு வைப்போம். எல்லா PDF-களையும் இந்த டூல் வழியா Markdown-ஆக மாத்தி, LangChain அல்லது AutoGen வழியா கனெக்ட் பண்ணிட்டா, உங்க காலேஜ் புராஜெக்ட் சூப்பரா ரெடியாகிடும்.

இரண்டாவதாக, ஃப்ரீலான்ஸ் வேலைகள். Upwork அல்லது உள்ளூர் கிளையன்ட்டுகளுக்கு இன்வாய்ஸ் டேட்டா எடுக்கிற வேலை செய்வீங்க. பல கடைகள் மற்றும் சிறு நிறுவனங்கள் இன்னமும் பில்களை Excel மற்றும் PDF வடிவில் தான் அனுப்புவாங்க. அதை மேனுவலாக காப்பி-பேஸ்ட் பண்ணாம, MarkItDown வச்சு நொடியில் டேபிளாக மாற்றி கிளையன்ட்டுக்கு கொடுத்து அசத்தலாம்.

மூன்றாவதாக, சென்னை மற்றும் பெங்களூரு ஐடி நிறுவனங்களில் நடக்கும் Enterprise RAG சிஸ்டம் உருவாக்கம். கம்பெனியின் உள் ஆவணங்களை வெளியே அனுப்பாமல், நிறுவனத்தின் லோக்கல் சர்வரிலேயே பிரைவேட்டாக பிராசஸ் செய்ய MarkItDown ஒரு வரப்பிரசாதம்.

ஆரம்பத்துல எல்லாரும் பண்ற Common mistakes என்னென்ன?#

இந்த டூலை பயன்படுத்த தொடங்கும் போது சிலர் சில தவறுகளை பண்ணி குழம்பி போறாங்க. அதை நீங்க முன்கூட்டியே தெரிஞ்சுக்கிறது நல்லது.

முதல் மிஸ்டேக், ஸ்கேன் செய்யப்பட்ட பழைய போட்டோ காப்பி PDF-களை அப்படியே கொடுப்பது. உங்க PDF-ல் எழுத்துக்களாக இல்லாமல் வெறும் போட்டோவாக மட்டும் இருந்தால், அடிப்படை கன்வெர்ஷன் வேலை செய்யாது. அதற்கு Vision Model அல்லது OCR வசதியை எனேபிள் செய்ய வேண்டும். இல்லையென்றால் அவுட்புட் காலியாக வரும்.

இரண்டாவது மிஸ்டேக், ஃபைல் சைஸ். 500 பக்கங்களுக்கு மேல் இருக்கும் மிகப்பெரிய ஃபைல்களை மொத்தமாக கொடுக்கும் போது லேப்டாப் ரேம் (RAM) திணறலாம். பெரிய ஃபைல்களை சின்ன சின்ன பகுதிகளாக பிரித்து கொடுப்பது நல்ல முடிவை தரும்.

மூன்றாவது, டேபிளில் உள்ள மர்ஜ் செய்யப்பட்ட செல்கள் (Merged Cells). மிக சிக்கலான கணக்கியல் ஃபைல்களில் கட்டங்கள் தாறுமாறாக இணைக்கப்பட்டிருந்தால், Markdown டேபிள் சில இடங்களில் சீரற்று போகலாம். அதை ஒருமுறை சரிபார்த்துக் கொள்வது நல்லது.

நீங்க இப்போ என்ன பண்ணணும்?#

நீங்க Python படிச்சிட்டு இருக்கிற மாணவராக இருந்தாலும் சரி, அல்லது ஜெனரேட்டிவ் AI துறையில் வேலை தேடும் டெவலப்பராக இருந்தாலும் சரி, உடனே உங்க லேப்டாப்ல Terminal-ஐ ஓபன் பண்ணுங்க.

ஒரு சின்ன சாம்பிள் Word அல்லது PDF ஃபைலை எடுத்து markitdown மூலம் மாற்றி டெஸ்ட் பண்ணி பாருங்க. வெறும் தியரியாக படிக்காமல், ஒரு சின்ன RAG புராஜெக்ட்டில் இதை ஒரு Document Loader போல இணைத்து உங்க GitHub போர்ட்ஃபோலியோவில் ஏற்றுங்க. இன்டர்வியூவில் இது உங்களுக்கு பெரிய பிளஸ் பாயிண்ட்டாக மாறும்.

LangChain மற்றும் AutoGen கூட இதை எப்படி இணைக்கலாம்?#

AI அப்ளிகேஷன்கள் உருவாக்கும் போது பெரும்பாலான டெவலப்பர்கள் LangChain அல்லது Microsoft AutoGen போன்ற frameworks பயன்படுத்துவதை வழக்கமாக வைத்திருக்கிறார்கள். இந்த frameworks வழியா RAG பைப்லைன் அமைக்கும் போது, டாக்குமெண்ட் லோடர் (Document Loader) என்ற பகுதி தான் முதல் படியாக இருக்கும். அங்கே தான் பலரும் Unstructured அல்லது PyPDF போன்ற லைப்ரரிகளை போட்டு மெமரி பிரச்சனையிலும் ஃபார்மேட்டிங் குளறுபடியிலும் சிக்குவாங்க. ஆனா MarkItDown டூலை ஒரு கஸ்டம் லோடராக உள்ளே கொண்டு வரும்போது, எந்த ஃபைலாக இருந்தாலும் அது தானாகவே தலைப்புகள், பாய்ண்டுகள் மற்றும் அட்டவணைகளை சுத்தமான Markdown டேபிளாக பிரித்து LangChain Document ஆப்ஜெக்ட்டாக எளிதாக மாற்றிவிடும்.

உதாரணமாக, நம்ம ஊர் போட்டித் தேர்வுகள் அல்லது TNPSC குரூப் தேர்வுக்கான ஸ்டடி மெட்டீரியல் பாட் (Study Material Bot) ஒன்றை உருவாக்குவதாக யோசித்து பாருங்கள். அதில் அரசு வெளியிட்ட விரிவான அறிவிப்புகள் மற்றும் பாடத்திட்டங்கள் அனைத்தும் அட்டவணைகளுடன் கூடிய PDF ஃபைல்களாக இருக்கும். AutoGen-ல் மல்டி-ஏஜென்ட் (Multi-Agent) அமைப்பை உருவாக்கும் போது, ஒரு ஏஜென்ட் MarkItDown ஸ்கிரிப்டை இயக்கி அந்த PDF-ல் உள்ள தகவல்களை சுத்தமான Markdown டேட்டாவாக மாற்றி அடுத்த அனலிஸ்ட் ஏஜென்டுக்கு அனுப்பும். இதனால் பெரிய கிளவுட் டூல்களுக்கு மாதம் பல்லாயிரக்கணக்கான ரூபாய் பில் கட்டாமல், ஒரு பைசா செலவில்லாமல் உங்க காலேஜ் லேப்டாப்பிலேயே முழு RAG சிஸ்டத்தையும் மிக துல்லியமாக ரன் பண்ணிவிட முடியும்.

இதன் மூலம் உங்கள் AI மாடலுக்கு உள்ளீடாக தரப்படும் தகவல்கள் எவ்வித பிழையுமின்றி முழுமையான சூழலுடன் (Context) சென்றடைகிறது. வழக்கமான டெக்ஸ்ட் எக்ஸ்ட்ராக்டர்கள் டேபிள்களில் உள்ள வரிகளை கண்டபடி உடைத்து குழப்பி விடுவதால், சேட்பாட் தரும் விடைகளும் பிழையாக வரும் அபாயம் அதிகம் உண்டு. ஆனால் MarkItDown தரும் தெளிவான Markdown கட்டமைப்பு OpenAI அல்லது பிற ஓபன் சோர்ஸ் மொழி மாடல்களுக்கு எந்த சிக்கலும் இல்லாமல் உடனே புரிந்துவிடும் என்பதால், உங்கள் AI புராஜெக்ட்டின் ஒட்டுமொத்த துல்லியம் பல மடங்கு அதிகரிக்கும். அடுத்த முறை நீங்கள் ஒரு புதிய AI புராஜெக்ட் தொடங்கும் போது, பழைய டூல்களுக்கு பதிலாக இந்த முறையை ஒருமுறை டெஸ்ட் செய்து பாருங்கள்.