v0.0.4

发布说明

markitdown4j 0.0.4 为当前版本的正式整理发布。

本版本完成了项目向 CLI + Java Library 形态的收敛，移除了 MCP 相关内容，统一了 OCR 实现方向，并对文档、测试与发布验证流程进行了系统整理。

主要变更

• 收敛项目形态为 CLI + Java Library
• 移除 MCP 相关代码与历史设计内容
• 移除 tess4j 依赖，统一本地 OCR 为 tesseract-cli
• 优化 CLI、配置与运行时集成路径
• 完善测试覆盖与发布验证脚本
• 重构并统一当前版本中英文文档

OCR

当前版本支持以下 OCR 引擎：

• tesseract-cli
• http
• paddleocr

发布验证

本版本发布前已通过以下验证：

• mvn test
• mvn verify

附件

• markitdown4j-0.0.4.jar

多平台制品、统一 OCR Provider、PaddleOCR 接入

markitdown4j v0.0.3

本版本重点完成了平台化制品构建、OCR 能力解耦、远程 OCR 接入，以及仓库文档整理，适合公开分发和用户直接上手使用。

版本亮点

• 提供多种发布制品：
  • lite
  • full
  • win32
  • win64
  • linux64
  • mac
• OCR 已重构为可插拔 Provider 架构
• 已支持以下 OCR 后端：
  • tess4j
  • tesseract-cli
  • paddleocr
  • http
• 非 Windows 平台不再额外携带 Windows OCR native 资源
• 支持统一配置方式接入远程 OCR
• 仓库文档已整理，新增中英文双语 README

下载哪个包

• win64
  • 适用于 64 位 Windows
  • 内置 Windows OCR native 资源
• win32
  • 适用于 32 位 Windows
  • 内置 Windows OCR native 资源
• linux64
  • 适用于 Linux
  • 推荐配合外部或远程 OCR 使用
• mac
  • 适用于 macOS
  • 推荐配合外部或远程 OCR 使用
• lite
  • 最小体积
  • 不内置 tess4j
  • 适合远程 OCR、CI、轻量场景
• full
  • 完整包
  • 包含完整 OCR 资源

OCR 支持说明

当前支持以下 OCR 引擎：

• tess4j
  • 更适合 Windows 下的内嵌 OCR 使用方式
• tesseract-cli
  • 更适合 Linux / macOS 本地安装 Tesseract 的场景
• paddleocr
  • 远程 OCR Provider
  • 适合结构化识别、Markdown 导向输出场景
• http
  • 适合接自定义远程 OCR 服务

本版本解决了什么问题

• 支持通过 Maven Profile 构建不同平台制品
• 解决了非 Windows 平台因为 tess4j 带来额外大体积 DLL / native 资源的问题
• 统一了 OCR 配置入口，用户只需要填写配置即可切换 OCR 后端
• 接入并验证了远程 PaddleOCR Provider
• 清理并重构了仓库文档，提升首次使用体验

文档入口

• 中文说明：README.md
• English README：README.en.md
• Java CLI 中文文档：java/README.md
• Java CLI English 文档：java/README.en.md
• 命令参考：java/COMMAND_REFERENCE.md
• OCR 扩展路线图：OCR_PROVIDER_ROADMAP.md

已知说明

• Linux / macOS 默认更推荐使用外部或远程 OCR
• paddleocr 已完成真实远程服务联调
• 后续会继续扩展更多远程 OCR / VLM Provider，以满足不同用户需求

test-files

markitdown4j.jar - 主程序文件（推荐下载）

test-files.zip - 测试文件包（可选，包含103个测试文件）

• 用于验证转换功能的各类测试文档
• 涵盖所有支持格式的测试场景
• 包含加密PDF、大文件、多语言等边界测试

🚀 快速开始

1. 下载 markitdown4j.jar

2. 下载并解压 test-files.zip（可选）

3. 基础使用

java -jar markitdown4j.jar document.pdf -o output.md

4. 使用测试文件验证

java -jar markitdown4j.jar test/plain-text.pdf -o output.md
java -jar markitdown4j.jar test/basic.docx -o output.md
java -jar markitdown4j.jar test/encrypted.pdf --pdf-password test123 -o output.md

5. 查看帮助

java -jar markitdown4j.jar --help

📋 支持格式

• PDF: .pdf - 文本提取 + 加密支持
• Word: .docx, .doc - 表格、图片、样式
• Excel: .xlsx, .xls - 公式、多工作表
• PowerPoint: .pptx, .ppt - 幻灯片提取
• HTML: .html, .htm - 网页解析
• 图片: .png, .jpg, .gif, .bmp - OCR识别
• 音频: .mp3, .wav - 元数据提取
• 文本: .txt, .csv, .json, .xml
• 压缩包: .zip - 批量处理

详细测试文件清单：https://github.com/DuanYan007/markitdown/blob/main/java/TEST_FILES.md

markitdown4j

---

📦 markitdown4j v0.0.2 - 文档转换工具
✨ 版本亮点
✅ 100% 测试通过率 - 103个测试用例全部验证通过
📁 9+ 格式支持 - PDF、Word、Excel、PowerPoint、HTML、图片、音频等 ⚡ 高性能 - 支持并行处理、大文件优化
🔒 加密PDF支持 - 支持密码保护的PDF文件转换
🖼️ 图片提取 - 自动提取文档中的嵌入图片
🌏 多语言OCR - 支持中英文等多种语言文字识别

🚀 快速开始

下载 markitdown4j.jar 后直接使用

java -jar markitdown4j.jar document.pdf -o output.md

查看帮助

java -jar markitdown4j.jar --help

📋 支持格式

• PDF: .pdf - 文本提取 + 加密支持
• Word: .docx, .doc - 表格、图片、样式
• Excel: .xlsx, .xls - 公式、多工作表
• PowerPoint: .pptx, .ppt - 幻灯片提取
• HTML: .html, .htm - 网页解析
• 图片: .png, .jpg, .gif, .bmp - OCR识别
• 音频: .mp3, .wav - 元数据提取
• 文本: .txt, .csv, .json, .xml
• 压缩包: .zip - 批量处理

📚 完整文档

• 安装配置: https://github.com/DuanYan007/markitdown/blob/main/java/INSTALLATION.md
• 命令参考: https://github.com/DuanYan007/markitdown/blob/main/java/COMMAND_REFERENCE.md
• 使用指南: https://github.com/DuanYan007/markitdown/blob/main/java/README.md

🎯 系统要求

• Java: JDK 17+
• 操作系统: Windows / Linux / macOS
• 可选: Tesseract OCR (用于图片文字识别)

markitdown-java

修复编译优化而缺失的库