Machen Sie Ihre Unternehmensdokumente KI‑bereit – zuverlässig, on‑premise und semantisch.
Es ist ein häufiges Szenario, dass Organisationen ihre Dokumentation in PDF-, DOCX-, XLSX‑ und ePub‑Formaten speichern. Während LLMs (Large Language Models) gut mit HTML oder Klartext arbeiten, müssen diese nativen Dokumentenformate vor ihrer Verwendung in LLM + RAG‑Pipelines (bei denen wir mit einem Dokument oder einer Dokumentensammlung chatten wollen) konvertiert werden.
LLM (Large Language Model) – ein vortrainiertes KI‑Modell, das Text generiert und Antworten auf Basis großer Textkorpora liefert.
RAG (Retrieval‑Augmented Generation) – ein Ansatz, der ein LLM mit einer externen Wissensbasis (z. B. Unternehmensdokumenten) kombiniert, sodass das Modell relevante Inhalte abrufen und darüber nachdenken kann.
Das folgende Sequenzdiagramm veranschaulicht die typischen Schritte zur Erzeugung einer Antwort auf eine Frage:
Die Qualität der Antworten, die Sie von einem System (LLM + RAG) erhalten, hängt sowohl vom System selbst als auch davon ab, wie gut die Quelldokumente ihre Struktur und Bedeutung erhalten, wenn sie in die Retrieval‑Pipeline eingespeist werden.
Das Problem
Dokumentformatierung ist nicht nur visuell – sie trägt Semantik. Überschriften, Listen, Tabellen, fett/kursiv Hervorhebungen, Bildunterschriften und Inline‑Bilder vermitteln Bedeutungen, die einem LLM helfen, den Kontext zu verstehen. Eine naive Konvertierung von Dokumenten (z. B. mittels OCR, die jede Seite als flaches Bild behandelt) verliert häufig diese Semantik. Dadurch können RAG‑Abrufe und nachgelagerte LLM‑Antworten ungenau oder verrauscht werden.
OCR kann bei gescannten Dokumenten helfen, entfernt aber oft die Struktur (z. B. Listen, die über Seiten hinweg gehen, Tabellenrahmen, verlorene Anmerkungen). Außerdem verursacht sie Kosten und Infrastruktur‑Overhead, wenn große Archive verarbeitet werden.
Die Lösung
Ein alternativer Ansatz besteht darin, Dokumente mit strukturellem Bewusstsein zu parsen und diese Struktur in ein semantisches, LLM‑freundliches Format zu exportieren – Markdown. Markdown ist leichtgewichtig, weit verbreitet und bewahrt Überschriften, Listen, Tabellen, Code‑Blöcke, Hervorhebungen, Bildunterschriften und Bildreferenzen – genau die Features, die die Retrieval‑Qualität verbessern.
GroupDocs.Markdown für .NET konvertiert gängige Dokumentformate (PDF, DOCX, XLSX, ePub und mehr) in sauberes, semantisches Markdown, das sich ideal für die Aufnahme in RAG‑Systeme eignet. Es ist eine on‑premise .NET‑Bibliothek, sodass die gesamte Verarbeitung innerhalb Ihrer Umgebung stattfindet – keine externen Dienste, kein Datenverlust und keine Abhängigkeit von Remote‑GPUs.
Erste Schritte
GroupDocs.Markdown für .NET ist als NuGet‑Paket sowie als MSI‑ und ZIP‑Download verfügbar.
Installieren Sie das NuGet‑Paket über die .NET‑CLI:
dotnet add package GroupDocs.Markdown
Oder laden Sie Installer und Assemblies von der offiziellen Download‑Seite herunter: https://releases.groupdocs.com/markdown/net/
Beispiel‑Code (einfügen in Program.cs):
// Namespace importieren
using GroupDocs.Markdown;
// Lizenz setzen (optional für Evaluation)
License.Set("GroupDocs.Markdown.lic");
// Konverter für ein Quell‑Dokument instanziieren
var converter = new MarkdownConverter("rich-text-formatting.docx");
// Konvertieren und Ausgabe in Datei speichern
converter.Convert("rich-text-formatting.md");
Die konvertierte Datei rich-text-formatting.md wird im selben Ordner wie Ihre Anwendung abgelegt.
Das folgende Screenshot zeigt die Eingabe‑DOCX‑Datei und das erzeugte Markdown.
Hinweis: Ohne Lizenz wird der Evaluations‑Modus nur eine begrenzte Anzahl von Seiten verarbeiten (z. B. die ersten drei). Für das vollständige Produkt fordern Sie eine temporäre Lizenz an.
Um eine temporäre Lizenz anzufordern, öffnen Sie den Purchase Wizard (https://purchase.groupdocs.com/buy/cart?ppId=115659&utm_source=blog), geben Sie Ihre Kontaktdaten ein und klicken Sie im Schritt Contact Details auf Get a temporary license. Die temporäre Lizenz wird Ihnen per E‑Mail zugesandt.
Weitere Informationen zu temporären Lizenzen: https://purchase.groupdocs.com/temporary-license/.
Unterstützte Dateiformate
GroupDocs.Markdown für .NET unterstützt ein breites Spektrum gängiger Unternehmens‑ und E‑Book‑Formate. Die vollständige Liste der unterstützten Erweiterungen:
- PDF
pdf
- Tabellenkalkulationen
.xls,.xlsx,.xlsb,.xlsm,.xlt,.xltx,.xltm,.xlam,.csv,.tsv,.ods,.ots,.fods,.numbers,.sxc
- Word / Rich Text
.doc,.docx,.dot,.dotm,.dotx,.docm,.rtf,.odt,.ott
- E‑Books
.azw3,.mobi,.epub
- Text / Markup / Help
.chm,.xml,.txt
Funktionsweise (intern – Überblick)
Bei der Verarbeitung eines Dokuments laufen zwei Hauptphasen ab:
-
Extraktion des Dokumentmodells
Das Dokument wird in ein In‑Memory‑Objektmodell geparst, das strukturelle Elemente (Absätze, Überschriften, Listen, Tabellen, Bilder, Fußnoten, Anmerkungen usw.) abbildet. Der Parser versucht, die Semantik zu bewahren (z. B. Listennesting, Tabellenzellen, Bildunterschriften). -
Markdown‑Generierung
Das Objektmodell wird durchlaufen und gemäß konfigurierbarer Konvertierungsoptionen (Umgang mit Bildern, Tabellenformatierung, Überschriften‑Levels, speziellen Anmerkungen usw.) in Markdown umgewandelt. Das Ergebnis ist eine lesbare, semantisch bedeutungsvolle Markdown‑Datei, die bereit für die Indizierung durch Ihr RAG‑Pipeline ist.
Export‑Beispiel
Der obige Code‑Abschnitt demonstriert, wie ein DOCX‑Dokument nach Markdown exportiert wird. Im Folgenden betrachten wir die Quell‑ und Ausgabedateien als Demonstration.
Quell‑DOCX
Die Quelldatei rich-text-formatting.docx enthält verschiedene Inhaltsblöcke und ist stark formatiert, um die wichtigsten semantischen Elemente hervorzuheben.
Preview powered by GroupDocs.Viewer for .NET UI.
Ausgabe‑Markdown
Der generierte Inhalt von rich-text-formatting.md wird unten angezeigt.
This document contains a variety of formatted elements that are used to test document rendering quality during file conversion
# <a name="_toc76372684"></a>**Font Formatting**
Source Sans Pro Light, 14 pt.
Simple text in Times New Roman 12 followed by an empty paragraph<sub>subscript</sub> and<sup>superscript</sup>.
Various characters: ‘ “ & < > £ ¥ § ¨ © ª « ® » ¼
Paragraph with multiple segments of text formatted in different fonts, sizes and colors. Very different sizes and colors including **bold**, *italic*, underline and 1 2 3 4 5 ~~strikethrough~~. Make sure that the lines wrapped in the same way in Word and in Pdf.
This text has shading and highlighting and borders, and it is supported.
# <a name="_toc76372685"></a>**Paragraph Formatting**
Paragraph shading should not form empty gaps even with spacing 12 after.
Centered paragraph with a line break had a problem.\
Centered paragraph with a line break had a problem.
Right aligned paragraphs must be right aligned properly.
Right aligned paragraph with line break works well.\
Right aligned paragraph with line break works well.
This paragraph has a border.
Right aligned condensed text had a problem.
Right aligned expanded text had a problem.
Spacing after and before do not add up, just the greater is used. This paragraph has 12 after. Also, when indents are different, the shading does not join.
This paragraph has 12 before, but in total there is only 12 above. Also note that shading belongs to the paragraph at the top and shading of this paragraph does not go down unless next paragraph has shading too. There are 24 points below.
There are 24 points above, but the gap between this and previous paragraph is only 24.
This paragraph is a test for double line spacing. This paragraph is a test for double line spacing. It also have 0.5” for the first line.
This is a test for 1.5 line spacing. This is a test for 1.5 line spacing. Also has -0.5” indent for the first line.
This paragraph has a page break
and centered. It actually creates two paragraphs.
This is a test for Exactly 20 points of spacing. This is a test for Exactly 20 points of spacing. TTTTTT (20, 22, 24, 26, 28, 30).
There is a continuous section break after this line.
This line is in the new section. Next here is an empty section.
This line is in the fourth section.
# <a name="_toc76372686"></a>**Paragraph Justify**
This is a justified paragraph with a single segment. 111111111111111111111111111111111111111111.
Also a justified **paragraph** reset to left because of multiple segments. 111111111111111111111111111111111111111111.
# **Non-English Characters**
Wingdings: (x, Symbol: WÄ
Russian: Теперь немного по русски.
# <a name="_toc76372687"></a>**Tables**
|Cell 1.1 Left|Cell 1.2 Right|||
| :- | -: | :- | :- |
|Cell 2.1 Centered vertically|Cell 2.2 with background|Cell 2.3 with line break<br>and coloured border.||
|Cell 3.1 Bottom vertically|<p>Cell 3.2</p><p>Centered</p><p>Horizontally</p>|Cell 3.3 No border||
|Left red, blue top, green right and yellow bottom.|
| :- |
|Table with left indent and merged cells.||||
| :- | :- | :- | :- |
|||||
|||||
**Cell padding etc.**
|<p>Cell padding.</p><p>Top: 0.1, bottom 0.2</p><p>Left: 0.5, Right 0.4</p>|Zero padding on all sides, right aligned.|
| :- | -: |
|Outer 1.1|Outer 1.2. There is a nested table here||
| :- | :-: | -: |
|**Nested 1.1**|**Nested 1.2**|
| :- | :- |
|||Outer 1.3|
| :- | :-: | -: |
#
# <a name="_toc76372688"></a>**Lists**
**Numbered list:**
1. Item 1
1. Item 2
1. Item 2.1
1. Item 2.2
1. Item 3
**Bulleted list:**
- Item 1
- Item 2
- Item 2.1
- Item 2.2
- Item 3
#
# <a name="_toc76372689"></a>**Images**
This section starts from a new page.
**Ellipse text**
Inline JPEG in einem separaten Absatz.
| this text is after the image.
Bilder in einer Tabelle. Links‑ und rechtsbündig.
||
| :- | -: |
Inline‑Textfeld  ist hier und Inline‑Ellipse  ist hier.
Neue Seite, neue Sektion.
Sie hat Hochformat und Ränder.
# <a name="_toc76372690"></a>**Felder**
Merge‑Feld «FirstName»
Seitenzahl 5
Hyperlink [Aspose.com](http://www.aspose.com)
Inhaltsverzeichnis
[Font Formatting 1](#_toc76372684)
[Paragraph Formatting 1](#_toc76372685)
[Non‑English Characters 2](#_toc76372686)
[Tables 2](#_toc76372687)
[Lists 2](#_toc76372688)
[Images 4](#_toc76372689)
[Fields 5](#_toc76372690)
## **Formularfelder**
Edit <a name="text1"></a>Testtext
Checkbox <a name="check1"></a>
Combobox <a name="dropdown1"></a>
## **Fuß‑ und Endnoten**
Dieser Satz hat eine Fußnote am Ende.[^1]
Dieser Satz hat eine Endnote am Ende.[^2]
[^1]: Fußnote 1.
[^2]: Endnote 1.
Zusammenfassung
GroupDocs.Markdown für .NET unterstützt Sie dabei, ein breites Spektrum an Dokumentformaten in semantisches Markdown zu konvertieren, das für LLM + RAG‑Systeme bereit ist. Es bewahrt Dokumentstruktur und Bedeutung, läuft on‑premise und unterstützt gängige Unternehmensformate – eine praktische Wahl für Organisationen, die große Dokumentensammlungen für KI‑Verbrauch vorbereiten müssen.
Weitere Informationen
- Produkt‑Home: https://products.groupdocs.com/markdown/net/
- Dokumentation: https://docs.groupdocs.com/markdown/net/
- Lizenz‑Informationen: https://about.groupdocs.com/legal/
- Downloads: https://releases.groupdocs.com/markdown/net/
Support & Feedback
Bei Fragen oder technischer Unterstützung nutzen Sie bitte unser Free Support Forum (https://forum.groupdocs.com/) – wir helfen Ihnen gern.