一键把 PDF、Word、Excel 全转成干净 Markdown ,微软开源 MarkItDown,文档格式统一的神器
- 2026-10-22 09:52:57
一键把 PDF、Word、Excel 全转成干净 Markdown ,微软开源 MarkItDown,文档格式统一的神器我前面一篇文章介绍了Markdown格式，如： 一种标记语言如何悄悄统治了世界，一文给你讲清楚MarkDown-如何成为数字时代的通用语言 刚说完Markdown 格式是AI的世界语言，没想到又发现了一个宝藏工具， 微软开源神器 MarkItDown，现在在GitHub上已经 107k star 了 这东西本质上就是个轻量级 Python 工具，只干一件事： 把所有你能想到的文件格式，统统转成干干净净、结构清晰的 Markdown。 它不是那种粗暴地把文字扒出来就完事了。标题、列表、表格、链接，该有的结构它都会尽量保留。转出来的 Markdown 大模型直接就能读懂，关键是省 token，喂进去不心疼。 它能处理哪些格式，说实话，看完支持列表之后我第一个反应是：这覆盖得也太全了。 Office 全家桶：Word（.docx）、PowerPoint（.pptx）、Excel（.xlsx / .xls） PDF：表格、文字、布局都尽量保留 图片：JPG、PNG 等，支持 OCR 文字提取，还能读出 EXIF 元数据 音频：MP3、WAV，可以直接语音转文字加上元数据提取 网页和数据文件：HTML、CSV、JSON、XML 其他：EPUB 电子书、Jupyter Notebook（.ipynb） ZIP 压缩包：它会自动递归把里面所有支持的文件全转一遍 还有一个让我没想到的：直接丢 YouTube 链接也能转，应该是自动抓字幕加转录 一句话：你日常办公碰到的文件类型，它基本都接了 装起来没啥门槛，win+R 输入cmd进入命令行界面，一行命令完事： 用阿里云的镜像，比较快 这个 [all] 会把 PDF、Office、图片 OCR、音频转录的依赖全装上。第一次装可能会慢一点，后面就飞快了。 命令执行成功后，应该如下图：应该看到Sucessfully installed 字样 
如果你只想要特定格式，也可以按需装： 备注：pip 是Python自带的（Python 3.4 以上默认内置），如果你电脑没有pip命令，那么按照下Python , 去 python.org 下载安装包。建议装Python3.10及以上的才能获取最新版的markitdown Windows 用户注意：安装时 一定勾选 "Add Python to PATH" 这个选项，勾上之后就自动带了 pip，路径也帮你配好了。 macOS 上也可以直接用 Homebrew：brewinstallpython 最开始的文档都没啥问题，Word、Excel 转得挺干净的。直到我开始处理一堆扫描件 PDF 和手机拍的截图，问题来了：文字识别各种乱码，表格直接面目全非。 搞了半天才弄明白，MarkItDown 的 OCR 不是传统的 Tesseract。它是把图片抽出来，送给 GPT-4o、Claude、Gemini 这些视觉模型去做"看图识字"。所以用什么模型，精度差距非常夸张——GPT-4o 能做到 95% 以上，小模型可能只有 60%。 最大的坑是：OCR 默认是不开的。 你得手动配。正确姿势是这样的： 先装依赖： 然后代码里要明确开启插件并指定模型： 搞明白这个之后，我总结了几条提升精度的经验，按效果排序： 单个文件转其实没啥意思。真正爽的是批量跑。 我整测试整理了一个个人知识库，里面 PDF 和 Word 混在一起，几十个文件。写了个脚本一跑，全自动搞定： 跑完之后整个知识库的格式就统一了，接下来不管是用 RAG 框架建索引还是直接喂给 Agent 用，都顺滑多了。 还有一个细节值得提：MarkItDown 提供了 MCP 服务器。如果你用 Claude Desktop，可以直接通过 MCP 集成进去，让 AI 实时读取文件内容。这个对于做 Agent 开发的场景特别实用，省去了很多中间环节。 折腾文档格式这件事，我前后试了不少方案，MarkItDown 是目前用下来最省心的。它不是什么一劳永逸的银弹，但至少在"把乱七八糟的格式统一成大模型能吃的东西"这件事上，它完成得相当干净。 如果你是搞知识库、做 RAG、或者日常需要把文档喂给 AI 处理，值得花十分钟装一个试试。 GitHub 地址：https://github.com/microsoft/markitdown
安装
pip install markitdown[all] -i https://mirrors.aliyun.com/pypi/simplepip install markitdown[pdf,docx,pptx]转换
markitdown 文档.pdf -o 输出.md处理扫描件和图片，OCR 这块有坑
pip install markitdown[all] markitdown-ocrpip install openai或者 anthropic、google-generativeai
from markitdown import MarkItDownfrom openai import OpenAImd = MarkItDown(enable_plugins=True,这个很关键，不开等于白装 llm_client=OpenAI(), llm_model="gpt-4o" # 精度优先就选 gpt-4o 或 claude-3-5-sonnet)result = md.convert("scan.pdf")print(result.text_content)
选对模型是最大的变量。 复杂表格和公式用 gpt-4o 或 claude-3-5-sonnet，简单纯文本可以用 4o-mini 搭配 Ollama 本地跑。 自定义 Prompt 效果很明显。 默认的 Prompt 偏通用，如果你明确告诉它"这是表格文档，转成标准 Markdown 网格表格"，识别质量能上一个档次。 图像预处理救活了不少低质量扫描件。 在送进 MarkItDown 之前，用 OpenCV 做个放大、二值化、去噪处理，扫出来的老合同和倾斜照片效果提升巨大。 转完之后再让 LLM 做一次 cleanup。 就一句话："Fix any OCR errors in this text, standardize formatting, output clean Markdown only"。相当于二次校对，能把漏网之鱼捞出来。
批量处理知识库，这才是正经用法
from markitdown import MarkItDownfrom pathlib import Pathmd = MarkItDown()source_dir = Path("./原始文档")output_dir = Path("./知识库")output_dir.mkdir(exist_ok=True)for file in source_dir.glob("**/*"):if file.suffix in [".pdf", ".docx", ".pptx", ".xlsx"]:result = md.convert(str(file))out_path = output_dir / (file.stem + ".md")out_path.write_text(result.text_content, encoding="utf-8")print(f"{file.name} → {out_path.name}")
最后说两句
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
