Muunna asiakirjoja Markdowniksi CLI:stä tai Pythonista

Jos työskentelet AI:n tai ML:n parissa, aineistoissasi on todennäköisesti PDF-tutkimuksia, DOCX-käsikirjoituksia, PPTX-esityksiä, XLSX-laskentataulukoita ja EPUB-kirjoja. Ennen koulutusta, fine-tuningia tai RAG:ia ne on yhtenäistettävä siistiksi, rakenteiseksi tekstiksi.

Tässä näytetään, miten AnyMD:tä käytetään komentoriviltä ja Pythonista minkä tahansa asiakirjamuodon muuntamiseen Markdowniksi yhdellä vaiheella — ilman muotokohtaisia jäsentimiä tai siivousta.

Komentoriviltä

curl https://anymd.net/api/convert \
  -H "Authorization: Bearer your-key" \
  -F "file=@paper.pdf"

Siinä kaikki. AnyMD tunnistaa muodon tiedostopäätteestä. Sama komento toimii DOCX-, PPTX-, XLSX-, RTF-, EPUB-, ODT-, HTML- ja CSV-tiedostoille. Tallenna tulos tiedostoon:

curl -s https://anymd.net/api/convert \
  -H "Authorization: Bearer your-key" \
  -F "file=@research-paper.pdf" \
  -o research-paper.md

Pythonista

import requests

with open("report.pdf", "rb") as f:
    resp = requests.post(
        "https://anymd.net/api/convert",
        headers={"Authorization": "Bearer your-key"},
        files={"file": ("report.pdf", f)},
    )
    markdown = resp.text
    print(markdown[:500])

Erämuunnos koulutusdataa varten

import requests
from pathlib import Path

markdown_dir = Path("training_data_md")
markdown_dir.mkdir(exist_ok=True)

for doc in Path("raw_documents").glob("*"):
    if doc.suffix not in {".pdf", ".docx", ".pptx", ".xlsx", ".epub"}:
        continue
    with open(doc, "rb") as f:
        resp = requests.post("https://anymd.net/api/convert", headers={"Authorization": "Bearer your-key"}, files={"file": (doc.name, f)})
        if resp.ok:
            out = markdown_dir / f"{doc.stem}.md"
            out.write_text(resp.text)

Tämä riittää sekamuotoisen asiakirjakokoelman yhtenäistämiseen Markdowniksi, joka on valmis chunkingiin, embeddingeihin tai fine-tuningiin.

AnyMD on yksi API, yksi tulosmuoto (GFM Markdown) ja yksi todennusavain. Ei kirjastohallintaa, versiokonflikteja tai muotokohtaisia reunatapauksia.

Hae ilmainen API-avaimesi — 100 sivua/kk, ei korttia.