markitdown 实测一行命令把办公文档转成 MarkdownRAG 文档预处理省下一整天【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown它解决什么问题你手头有 30 份 PDF 合同、两个 PPT、一堆 Excel想丢进向量数据库结果每份文档解析出来都不一样表格错乱、标题丢失、还有扫描件干脆没文字。这一步需要一个能统一吃下各种格式的入口。markitdown 就是干这个的微软 AutoGen 团队开源的文档解析工具一条命令或一个 API 调用把文件转成 Markdown 输出。一句话定位从任意文件到 Markdownmarkitdown 是一个轻量的 Python 包加命令行工具核心就一件事把 PDF、Word、PPT、Excel、图片、音频、网页这些格式转成 Markdown专门给 LLM 和文本分析管道用。它的设计思路是转换器注册表每种格式一个独立转换器文件进来后先做格式检测扩展名、MIME 类型再用 Google 的 magika 分析二进制内容按优先级匹配到最合适的转换器执行最后统一输出 Markdown。这张图画的就是数据链路不管你喂什么文件进来中间统一过检测、匹配、转换三步出口只有一种格式。⚡ 它能帮你做什么批量把 PDF 转成可检索文本内置 PDF 转换器完全本地解析不用联网表格会尽量还原成 Markdown 表格。合同、论文这种批量场景直接套 shell 循环for f in ./contracts/*.pdf; do markitdown $f -o ${f%.pdf}.md done这段就是把 contracts 目录下每个 PDF 转成同名 .md 文件。运行后你会看到每个 PDF 旁边多一个 Markdown 文件标题层级、表格、甚至分页标记都保留着可以直接丢进分片逻辑。下面这张论文首页就是典型的输入样例把 Word、PPT、Excel 一次转完Office 三件套各有一个专属转换器Word 走 mammoth 保结构PPT 按幻灯片输出Excel 直接变 Markdown 表格。注意这几家都要装对应的可选依赖组见下节安装部分。markitdown report.docx report.md markitdown data.xlsx -o data.md第一条把 Word 转完直接重定向存盘第二条用 -o 指定输出文件。跑完你会看到 docx 里的标题、列表、链接原样变成 Markdown 语法xlsx 里的每个 sheet 变成一张带表头的表格。图片、音频也能转图片转换器默认提取 EXIF 元数据如果你传入 LLM 客户端它会顺带生成图片描述这对 PPT 里的插图特别有用from markitdown import MarkItDown from openai import OpenAI md MarkItDown(llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(diagram.png).markdown)这段做的事就是给 MarkItDown 挂一个 OpenAI 客户端转换图片时自动让 LLM 描述图内容。下面是项目测试目录里实际用的那张测试图转完它描述就会跟元数据一起出现在输出里音频这边装 audio-transcription 组后支持 wav/mp3 转文字YouTube 链接则能直接拉字幕。进阶用法云增强和第三方插件两条进阶路线。一是接 Azure 文档智能处理扫描件和复杂版面命令加-d参数并传 endpoint 即可二是写自己的插件仓库里就带了一个 RTF 转换的完整示例装完插件后用下面命令启用markitdown --list-plugins markitdown --use-plugins notes.rtf第一条列出已安装的插件第二条带插件跑转换。插件默认是关的不传--use-plugins就不会加载不会干扰内置逻辑。安装与运行markitdown 安装步骤环境要求先看清楚再决定装哪组依赖项目要求 / 说明操作系统Windows / macOS / Linux 均可取决于 Python 环境Python3.10 及以上可选依赖组pdf、docx、pptx、xlsx、xls、outlook、audio-transcription、az-doc-intel 等按需单独安装最省事的方式是一次装全pip install markitdown[all] markitdown report.pdf -o report.md第一行安装完整功能版第二行就是 CLI 的最小用法。如果走 Python API最小可运行示例是from markitdown import MarkItDown md MarkItDown() print(md.convert(report.pdf).markdown)跑完你会在终端看到整份文档的 Markdown 文本标题用#、表格用竖线和手写 Markdown 没区别。markitdown 和 pandoc、textract 怎么选常被拿来对比的就是 textract 和 pandoc。textract 目标也是任意文件转文本但输出基本是纯文本表格、层级这类结构大多丢掉了只要文字内容、不在乎排版的话它够用要喂 LLM 还是 markitdown 更合适。pandoc 强在文档格式互转和面向人的高保真输出但每种格式基本要配一个二进制后端部署负担重一些你要做漂亮的格式转换就选它。一句话给 LLM 和文本管道供料、要结构、要省事选 markitdown给人看的成品文档转换选 pandoc。踩坑与注意事项转 PDF 报 MissingDependencyException原因是核心包刻意不带格式解析器每个格式都要装对应依赖组。绕法pip install markitdown[pdf,docx,pptx]按需补齐别等报错再装。管道输入时识别错格式或转换失败stdin 没有扩展名可看纯靠内容检测不一定靠得住。绕法加-x .pdf给个扩展名提示MIME 类型和字符集也可以用-m、-c显式指定。扫描件 PDF 转出来几乎没内容内置转换只提取文本层纯扫描页没有文本层可提。绕法接 Azure Document Intelligence-d -e endpoint或装 markitdown-ocr 插件并传入llm_client用视觉模型读图里的字没传llm_client时插件会静默跳过 OCR。大批量转换时内存和权限要注意官方已给 PDF 转换器做了逐页释放的内存优化但你自己把上百个大文件一次性读进内存列表还是会爆。绕法顺序处理、边转边写盘、及时释放另外转换是以当前进程权限做 I/O 的处理不可信来源的文件前要先做输入校验并优先调用convert_stream()、convert_local()这类最小范围的接口别直接暴露 URL 入口。项目地址与下一步源码仓库可以用下面命令拉下来装成可编辑模式方便调试git clone https://gitcode.com/GitHub_Trending/ma/markitdown cd markitdown pip install -e packages/markitdown[all]官方文档就是仓库根目录的 README.md安装、可选依赖、Azure 集成都有完整说明。想深入的话建议按这个顺序看packages/markitdown/src/markitdown/converters/里每个文件就是一个格式的转换器是理解行为差异最快的入口packages/markitdown/src/markitdown/_markitdown.py里能看到转换器注册、优先级调度和格式检测的完整流程packages/markitdown-sample-plugin/是一个 50 行左右的插件最小实现想扩格式可以直接抄它的骨架。输出只是 Markdown但它后面接的是分片、向量化、检索这一整条管道——把文档解析这一步跑通之后剩下的都是纯文本处理。【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
