Azure Functions blob trigger|bindings を使って MarkItDown

MarkItDown そのものの解説や、Http Trigger や PowerApps 経由での利用例は下記が参考になります。

この記事では、Azure Functions Azure Blob Storage のバインドとトリガー を用いて MarkItDown を動かしてみました。

作ったもの

はまったところ

MarkItDown そのものとはあまり関係ない部分もあるけどはまったところ

保存時のblobnameの指定

使用法
関数のパラメーターを次の型で宣言し、BLOB ストレージに書き込むことができます。

func.Out[str] は文字列
func.Out[func.InputStream] はストリーム
詳細については、「出力 - 例」を参照してください。

このとき例では

sample.py

@app.blob_output(arg_name="outputblob",
                path="newblob/test.txt",
                connection="<BLOB_CONNECTION_SETTING>")

となっており、blob 名が固定となっている。
どうしたものかと色々試した結果、trigger 側の blob 名をパターン指定することで取ってこれるらしい。
すなわち、以下のアノテーションとすることで、input/test.docxで関数がトリガーされた結果、output/test.docx.md　として保存することができる。

function_app.py

@app.blob_trigger(
    arg_name="input", path="input/{blobname}", connection="markitdown_blobstorage"
)
@app.blob_output(arg_name="outputblob", path="output/{blobname}.md", connection="markitdown_blobstorage")

変換できるファイルが限られている模様

OpenAI を使うのは画像系ファイルの場合".jpg", ".jpeg", ".png" に限られていたり、
何でもかんでも対応しているわけではないっぽくて、拡張子を見て（あるいは mimetypes.guess_typeして）変換している様子

そのため、以下のようにした。

function_app.py

default_supported_extensions = (
    '.pptx', '.docx', '.xlsx', '.pdf', '.csv', '.zip', '.html', '.htm'
    # ".xml", ".rss", ".atom",'.ipynb', // not working
)
llm_supported_image_extensions = ('.jpg', '.jpeg', '.png')

use_llm = True if os.environ.get('markitdown_azureopenai_key') else False
if use_llm:
    # create an instance of the AzureOpenAI class
    client = AzureOpenAI(
        azure_endpoint=os.environ.get('markitdown_azureopenai_endpoint'),
        api_key=os.environ.get('markitdown_azureopenai_key'),
        api_version=os.environ.get('markitdown_azureopenai_apiversion'),
    )
    md = MarkItDown(llm_client=client, llm_model="gpt-4o")
    supported_extensions = default_supported_extensions + llm_supported_image_extensions
else:
    md = MarkItDown()
    supported_extensions = default_supported_extensions