# 仮想環境を作成
python3 -m venv .venv
source .venv/bin/activate

# MarkItDown をインストール（フル版、全フォーマットの依存を含む）
pip install 'markitdown[all]'

# PDF を Markdown に変換してターミナルに出力
markitdown 報告書.pdf

# -o で出力ファイルを指定
markitdown 年次報告書.pdf -o 年次報告書.md

# パイプで複数のファイルを一括変換
cat 契約書.pdf | markitdown -o 契約書.md

# Word ドキュメントを変換
markitdown 製品説明.docx -o 製品説明.md

# Excel スプレッドシートを変換
markitdown 財務報告書.xlsx -o 財務報告書.md

from markitdown import MarkItDown

# 変換器を初期化
md = MarkItDown()

# ローカルファイルを変換
result = md.convert("製品マニュアル.pdf")
print(result.text_content)

# リモートファイルを変換
result = md.convert("https://example.com/report.pptx")
print(result.text_content)

from markitdown import MarkItDown
from io import BytesIO

md = MarkItDown()

# バイトストリームから変換（ユーザーがアップロードしたファイルなど）
with open("財務報告書.xlsx", "rb") as f:
    result = md.convert_stream(f, file_extension=".xlsx")
    print(result.text_content)

from markitdown import MarkItDown
from openai import OpenAI

# 1. 論文 PDF を Markdown に変換
md = MarkItDown()
result = md.convert("research_paper.pdf")

# 2. OpenAI で要約を生成
client = OpenAI(api_key="your-api-key")
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "あなたは研究アシスタントです。以下の論文を要約してください。"},
        {"role": "user", "content": result.text_content[:8000]}  # Token 長に注意
    ]
)
print(response.choices[0].message.content)

import os
from markitdown import MarkItDown

md = MarkItDown()
document_dir = "/path/to/documents"

# ディレクトリ内の全対応ファイルを変換
supported_extensions = {".pdf", ".docx", ".pptx", ".xlsx", ".csv", ".html", ".epub"}

for filename in os.listdir(document_dir):
    ext = os.path.splitext(filename)[1].lower()
    if ext in supported_extensions:
        filepath = os.path.join(document_dir, filename)
        result = md.convert(filepath)

        # Markdown ファイルとして保存
        output_path = os.path.splitext(filepath)[0] + ".md"
        with open(output_path, "w", encoding="utf-8") as f:
            f.write(result.text_content)
        print(f"✅ {filename} → {os.path.basename(output_path)}")

from markitdown import MarkItDown

md = MarkItDown()

# YouTube URL を渡すだけで字幕を自動抽出
result = md.convert("https://www.youtube.com/watch?v=dQw4w4WgXcQ")
print(result.text_content[:500])

# OCR プラグインをインストール
pip install markitdown-ocr openai

# コード内で有効化
from markitdown import MarkItDown
from openai import OpenAI

md = MarkItDown(
    enable_plugins=True,
    llm_client=OpenAI(api_key="your-api-key"),
    llm_model="gpt-4o"
)

# 画像を含むドキュメントを変換（画像の内容も OCR で抽出される）
result = md.convert("画像入りドキュメント.pdf")
print(result.text_content)

# Azure サポートをインストール
pip install 'markitdown[az-content-understanding]'

from markitdown import MarkItDown

# Azure Content Understanding で高精度変換
md = MarkItDown(
    cu_endpoint="https://your-resource.cognitiveservices.azure.com/",
    cu_key="your-api-key"
)

# ドキュメント、画像、音声、動画の統合変換をサポート
result = md.convert("complex_document.pdf")
print(result.text_content)

from markitdown import MarkItDown
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma

# 1. ドキュメントを Markdown に変換
md = MarkItDown()
result = md.convert("企業ナレッジベース.pdf")

# 2. テキストをチャンクに分割
splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)
chunks = splitter.split_text(result.text_content)

# 3. ベクトルデータベースを構築
embeddings = OpenAIEmbeddings()
db = Chroma.from_texts(chunks, embeddings)

# 4. 関連ドキュメントを検索
query = "会社の有給休暇ポリシーは？"
results = db.similarity_search(query, k=3)

for doc in results:
    print(f"---\n{doc.page_content}\n")

# ✅ おすすめ：最も狭い範囲の変換関数を使う
from markitdown import convert_stream, convert_local

# 変換範囲を制限
with open("untrusted_file.pdf", "rb") as f:
    result = convert_stream(f, file_extension=".pdf")

# ❌ 避けるべき：ユーザー入力パスをそのまま信用する
# md.convert(user_input_path)