Uczyń swoje dokumenty korporacyjne gotowe na AI — niezawodnie, lokalnie i semantycznie.
Dość powszechnym jest przechowywanie dokumentacji w formatach PDF, DOCX, XLSX i ePub. Modele LLM (large language models) dobrze radzą sobie z HTML lub zwykłym tekstem, dlatego formaty natywne muszą zostać skonwertowane, aby mogły być efektywnie wykorzystywane w pipeline’ach LLM + RAG, w których chcemy rozmawiać z dokumentem lub zestawem dokumentów.
LLM (Large Language Model) — wstępnie wytrenowany model AI generujący tekst i odpowiedzi na podstawie dużych korpusów tekstowych.
RAG (Retrieval‑Augmented Generation) — podejście łączące LLM z zewnętrzną bazą wiedzy (np. dokumentami korporacyjnymi), dzięki czemu model może pobierać i wnioskować na podstawie treści domenowej.
Poniższy diagram sekwencyjny przedstawia typowe kroki generowania odpowiedzi na pytanie:
Jakość odpowiedzi uzyskiwanych od systemu (LLM + RAG) zależy zarówno od samego systemu, jak i od tego, jak dobrze dokumenty źródłowe zachowują swoją strukturę i znaczenie po wprowadzeniu ich do pipeline’u pobierania.
Problem
Formatowanie dokumentu to nie tylko wygląd — niesie ono semantykę. Nagłówki, listy, tabele, pogrubienia/podkreślenia, podpisy i obrazy w tekście przekazują znaczenie, które pomaga LLM zrozumieć kontekst. Naiwny sposób konwersji (np. OCR traktujący każdą stronę jako płaski obraz) zazwyczaj gubi tę semantykę. W rezultacie pobieranie w RAG i odpowiedzi LLM mogą stać się nieprecyzyjne lub szumne.
OCR przydaje się do zeskanowanych dokumentów, ale często usuwa strukturę (listy podzielone na strony, niepoprawnie rozpoznane krawędzie tabel, utracone adnotacje). Dodatkowo podnosi koszty i wymaga infrastruktury przy przetwarzaniu dużych archiwów.
Rozwiązanie
Alternatywą jest parsowanie dokumentów ze świadomością struktury i eksportowanie tej struktury do semantycznego formatu przyjaznego LLM — Markdown. Markdown jest lekki, szeroko obsługiwany i zachowuje nagłówki, listy, tabele, bloki kodu, wyróżnienia, podpisy i odwołania do obrazów — dokładnie te elementy, które podnoszą jakość pobierania.
GroupDocs.Markdown for .NET konwertuje popularne formaty (PDF, DOCX, XLSX, ePub i inne) do czystego, semantycznego Markdownu gotowego do załadowania do systemów RAG. To biblioteka on‑premise w .NET, więc całe przetwarzanie odbywa się wewnątrz Twojego środowiska — bez usług zewnętrznych, wycieków danych i zależności od zdalnych GPU.
Jak rozpocząć
GroupDocs.Markdown for .NET dostępny jest jako pakiet NuGet oraz jako instalatory MSI i ZIP.
Zainstaluj pakiet NuGet przy pomocy .NET CLI:
dotnet add package GroupDocs.Markdown
Albo pobierz instalatory i zestawy z oficjalnej strony pobrań: https://releases.groupdocs.com/markdown/net/
Przykładowe użycie (dodaj do Program.cs):
// Importujemy przestrzeń nazw
using GroupDocs.Markdown;
// Ustawiamy licencję (opcjonalnie, w wersji ewaluacyjnej)
License.Set("GroupDocs.Markdown.lic");
// Tworzymy konwerter dla pliku źródłowego
var converter = new MarkdownConverter("rich-text-formatting.docx");
// Konwertujemy i zapisujemy wynik do pliku
converter.Convert("rich-text-formatting.md");
Utworzony plik rich-text-formatting.md zostanie zapisany w tym samym folderze, co aplikacja.
Poniżej zrzut ekranu prezentujący plik wejściowy DOCX oraz wyjściowy Markdown.
Uruchamiając bez licencji, tryb ewaluacyjny przetworzy ograniczoną liczbę stron (np. trzy pierwsze). Aby wypróbować pełny produkt, zamów licencję tymczasową.
Aby zamówić licencję tymczasową, otwórz Purchase Wizard, podaj dane kontaktowe i kliknij Get a temporary license w kroku Contact Details. Licencja tymczasowa zostanie wysłana na Twój e‑mail.
Więcej o licencjach tymczasowych: https://purchase.groupdocs.com/temporary-license/.
Obsługiwane formaty plików
GroupDocs.Markdown for .NET obsługuje szeroki zestaw typowych formatów korporacyjnych i e‑booków. Pełna lista rozszerzeń:
- PDF
pdf
- Arkusze kalkulacyjne
.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‑booki
.azw3,.mobi,.epub
- Tekst / Markup / Pomoc
.chm,.xml,.txt
Jak to działa (wysoki poziom)
Podczas przetwarzania dokumentu zachodzą dwa główne etapy:
-
Ekstrakcja modelu dokumentu
Dokument jest parsowany do modelu w pamięci, który reprezentuje elementy strukturalne (akapity, nagłówki, listy, tabele, obrazy, przypisy, adnotacje itp.). Parser stara się zachować semantykę (np. zagnieżdżenie list, komórki tabel, podpisy obrazów). -
Generowanie Markdown
Model obiektowy jest przechodzony i konwertowany do Markdowna zgodnie z konfigurowalnymi opcjami (obsługa obrazów, formatowanie tabel, poziomy nagłówków, specjalne adnotacje itp.). Wynik to czytelny, semantyczny plik Markdown gotowy do indeksacji przez pipeline RAG.
Przykład eksportu
Powyższy kod pokazuje, jak wyeksportować DOCX do Markdown. Poniżej prezentujemy źródłowy plik DOCX oraz wygenerowany Markdown.
Źródłowy DOCX
Plik źródłowy rich-text-formatting.docx zawiera różne bloki treści i jest mocno sformatowany, aby podkreślić główne elementy semantyczne.
Podgląd napędzany przez GroupDocs.Viewer for .NET UI.
Wygenerowany Markdown
Zawartość rich-text-formatting.md wygląda następująco:
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**
 this text is after the image.
Images in a table. Left and right aligned.
|| this text is after the image.
Images in a table. Left and right aligned.
||
| :- | -: |
Texte w polu tekstowym  znajduje się tutaj i elipsa  znajduje się tutaj.
Nowa sekcja zaczynająca się od nowej strony.
Jest w orientacji pionowej i ma marginesy.
# <a name="_toc76372690"></a>**Pola**
Pole scalające «FirstName»
Numer strony 5
Hiperłącze [Aspose.com](http://www.aspose.com)
Spis treści
[Formatowanie czcionki 1](#_toc76372684)
[Formatowanie akapitu 1](#_toc76372685)
[Znaki spoza alfabetu 2](#_toc76372686)
[Tabele 2](#_toc76372687)
[Lista 2](#_toc76372688)
[Obrazy 4](#_toc76372689)
[Pola 5](#_toc76372690)
# **Pola formularza**
Edytuj <a name="text1"></a>testowy tekst
Pole wyboru <a name="check1"></a>
Pole kombi <a name="dropdown1"></a>
# **Przypisy i notatki końcowe**
Ten wiersz ma przypis na końcu.[^1]
Ten wiersz ma notatkę końcową na końcu.[^2]
[^1]: Przypis 1.
[^2]: Notatka końcowa 1.
Podsumowanie
GroupDocs.Markdown for .NET pomaga konwertować szeroką gamę formatów dokumentów do semantycznego Markdownu gotowego dla systemów LLM + RAG. Zachowuje strukturę i znaczenie dokumentu, działa lokalnie i obsługuje popularne formaty korporacyjne — co czyni go praktycznym wyborem dla organizacji, które potrzebują przygotować duże kolekcje dokumentów do konsumpcji AI.
Dowiedz się więcej
- Strona produktu: https://products.groupdocs.com/markdown/net/
- Dokumentacja: https://docs.groupdocs.com/markdown/net/
- Informacje o licencji: https://about.groupdocs.com/legal/
- Pobrania: https://releases.groupdocs.com/markdown/net/
Wsparcie i opinie
W razie pytań lub potrzeby pomocy technicznej, użyj naszego Forum darmowego wsparcia — chętnie pomożemy.