MarkItDown 文档转 Markdown 实战30 多种格式一个命令搞定【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/markitdownMarkItDown 是微软开源的 Python 工具把 PDF、Word、Excel、PPT、图片、音频、网页等文件统一转换成 Markdown方便喂给 LLM 做检索、分析或入库。它同时提供命令行和 Python API 两种用法还内置了多模态 LLM 能力——给图片生成描述、对扫描件做 OCR。适合需要批量处理文档、给 RAG 准备语料或者想给 LLM 流水线加一个文档入口的同学。先看看它能接住哪些活扫描件和发票 PDF 没有文本层传统提取器只能拿到空白MarkItDown 的 OCR 插件可以调用视觉模型把整页图里的文字读出来。手上有一堆.docx、.xlsx、.pptx想统一变成纯文本语料逐文件格式写解析代码太累——它按文件内容自动选择转换器你只管扔文件。图片文件直接丢进去装上 LLM 客户端后它能输出图片的文字描述而不只是 EXIF 元数据。环境准备两行装完五分钟跑通官方包在 PyPI 上装全量功能集最简单pip install markitdown[all][all]会带上 PDF、PPTX、DOCX、XLSX 等格式的解析依赖。如果只需要其中几类可以按需安装例如pip install markitdown[pdf,docx]。要求 Python 3.10。如果要从源码安装并看实现git clone https://gitcode.com/GitHub_Trending/ma/markitdown cd markitdown pip install -e packages/markitdown[all]验证是否装好打开终端运行markitdown --version能打印版本号就可以开始用了。功能一命令行单文件转换是什么安装后你会得到一个markitdown命令把文件路径给它Markdown 输出到终端。怎么跑起来markitdown example.pdf -o example.md也可以直接重定向markitdown example.pdf example.md。文件类型不用你指定它靠文件内容嗅探magika来判断。从管道读入时用-x给个扩展名提示cat data.bin | markitdown -x pdf效果/注意点输出里表格会变成 Markdown 表格HTML 来源会走 Markdown 化流程。想省事就一条命令遇到识别不了的格式看下一节的排错清单。功能二Python API 批量转换是什么在代码里实例化MarkItDown对象调convert方法返回值直接给你 Markdown 文本。怎么跑起来from markitdown import MarkItDown md MarkItDown() for f in [test.docx, test.xlsx, test.pdf]: with open(f .md, w, encodingutf-8) as out: out.write(md.convert(f).text_content)效果/注意点批量转换就是上面这个循环配合pathlib遍历目录即可。注意返回对象上取文本用text_content写 Markdown 文件用markdown字段两者内容一致但后者更直白。功能三给图片配个会写字的眼睛是什么给MarkItDown传入一个 OpenAI 兼容的客户端和模型名图片转换时会自动调用视觉模型生成一段文字描述追加在 EXIF 元数据后面。怎么跑起来from markitdown import MarkItDown from openai import OpenAI md MarkItDown(llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(photo.jpg).text_content)跑出来的 Markdown 大致长这样先几行ImageSize: ...之类的元数据装了 exiftool 才有然后一个# Description:标题下面是模型写的图片描述。注意不传llm_client时只会输出元数据不会报错描述部分直接缺席——这是最常见的为什么没有描述问题。进阶OCR 插件与转换器优先级MarkItDown 的扩展机制是插件第三方包通过markitdown.plugin入口点注册自己的转换器比如官方的 OCR 插件会给 PDF/DOCX/PPTX/XLSX 装上文档内嵌图片 OCR和整页扫描件 OCR能力。启用方式是打开插件开关并照常传 LLM 参数md MarkItDown( enable_pluginsTrue, llm_clientOpenAI(), llm_modelgpt-4o, llm_promptExtract all text, preserving table structure., ) result md.convert(scanned_invoice.pdf)OCR 转换器注册在更高优先级-1.0先于内置的 0.0上所以同一份文件它会抢先处理单次 LLM 调用失败不会中断对应图片的文本缺失但转换继续。没有可提取文本的扫描页会被自动识别整页按 300 DPI 渲染后送给视觉模型。核心实现在 _ocr_service.py插件如何接入可以看 markitdown-ocr 包。避坑清单现象pip install markitdown后转 PDF/PPTX 报不支持。原因没装可选依赖核心包只含文本/HTML 类解析。处理改用pip install markitdown[all]或只装需要的特性如[pdf]、[docx]。现象装了 OCR 插件输出里却没有图片文字。原因没传llm_client/llm_model插件会静默跳过 OCR 回退到普通转换器。处理确认两个参数都传了再检查 API key 和网络模型名是否有效。现象转图片只有几行元数据没有描述。原因同上LLM 客户端缺失或者系统没装 exiftool影响元数据部分。处理传 LLM 参数元数据缺失可brew install exiftool或指定exiftool_path。现象管道输入转换失败或识别错类型。原因没有文件名扩展名嗅探不到。处理加-x pdf、-m text/html之类的提示参数。现象同一类文件被插件和内置转换器打架。原因插件转换器按优先级覆盖enable_pluginsFalse可关掉。处理需要稳定行为时显式指定开关内置转换器注册逻辑可参考 converters 目录。小结MarkItDown 的价值就一句话把一堆格式各异的文件变成LLM 能直接读的 Markdown命令行三分钟上手Python API 和插件机制负责把扫描件、图片这类硬骨头啃下来。想深入可以看 markitdown 包的 README 和 converters 源码目录每类文件怎么被解析、优先级怎么排源码里一目了然。【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 
长河君 · 2026/8/28 10:33:27 · 阅读 1.2k MarkItDown 文档转 Markdown 实战：30 多种格式一个命令搞定
MarkItDown 文档转 Markdown 实战30 多种格式一个命令搞定【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/markitdownMarkItDown 是微软开源的 Python 工具把 PDF、Word、Excel、PPT、图片、音频、网页等文件统一转换成 Markdown方便喂给 LLM 做检索、分析或入库。它同时提供命令行和 Python API 两种用法还内置了多模态 LLM 能力——给图片生成描述、对扫描件做 OCR。适合需要批量处理文档、给 RAG 准备语料或者想给 LLM 流水线加一个文档入口的同学。先看看它能接住哪些活扫描件和发票 PDF 没有文本层传统提取器只能拿到空白MarkItDown 的 OCR 插件可以调用视觉模型把整页图里的文字读出来。手上有一堆.docx、.xlsx、.pptx想统一变成纯文本语料逐文件格式写解析代码太累——它按文件内容自动选择转换器你只管扔文件。图片文件直接丢进去装上 LLM 客户端后它能输出图片的文字描述而不只是 EXIF 元数据。环境准备两行装完五分钟跑通官方包在 PyPI 上装全量功能集最简单pip install markitdown[all][all]会带上 PDF、PPTX、DOCX、XLSX 等格式的解析依赖。如果只需要其中几类可以按需安装例如pip install markitdown[pdf,docx]。要求 Python 3.10。如果要从源码安装并看实现git clone https://gitcode.com/GitHub_Trending/ma/markitdown cd markitdown pip install -e packages/markitdown[all]验证是否装好打开终端运行markitdown --version能打印版本号就可以开始用了。功能一命令行单文件转换是什么安装后你会得到一个markitdown命令把文件路径给它Markdown 输出到终端。怎么跑起来markitdown example.pdf -o example.md也可以直接重定向markitdown example.pdf example.md。文件类型不用你指定它靠文件内容嗅探magika来判断。从管道读入时用-x给个扩展名提示cat data.bin | markitdown -x pdf效果/注意点输出里表格会变成 Markdown 表格HTML 来源会走 Markdown 化流程。想省事就一条命令遇到识别不了的格式看下一节的排错清单。功能二Python API 批量转换是什么在代码里实例化MarkItDown对象调convert方法返回值直接给你 Markdown 文本。怎么跑起来from markitdown import MarkItDown md MarkItDown() for f in [test.docx, test.xlsx, test.pdf]: with open(f .md, w, encodingutf-8) as out: out.write(md.convert(f).text_content)效果/注意点批量转换就是上面这个循环配合pathlib遍历目录即可。注意返回对象上取文本用text_content写 Markdown 文件用markdown字段两者内容一致但后者更直白。功能三给图片配个会写字的眼睛是什么给MarkItDown传入一个 OpenAI 兼容的客户端和模型名图片转换时会自动调用视觉模型生成一段文字描述追加在 EXIF 元数据后面。怎么跑起来from markitdown import MarkItDown from openai import OpenAI md MarkItDown(llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(photo.jpg).text_content)跑出来的 Markdown 大致长这样先几行ImageSize: ...之类的元数据装了 exiftool 才有然后一个# Description:标题下面是模型写的图片描述。注意不传llm_client时只会输出元数据不会报错描述部分直接缺席——这是最常见的为什么没有描述问题。进阶OCR 插件与转换器优先级MarkItDown 的扩展机制是插件第三方包通过markitdown.plugin入口点注册自己的转换器比如官方的 OCR 插件会给 PDF/DOCX/PPTX/XLSX 装上文档内嵌图片 OCR和整页扫描件 OCR能力。启用方式是打开插件开关并照常传 LLM 参数md MarkItDown( enable_pluginsTrue, llm_clientOpenAI(), llm_modelgpt-4o, llm_promptExtract all text, preserving table structure., ) result md.convert(scanned_invoice.pdf)OCR 转换器注册在更高优先级-1.0先于内置的 0.0上所以同一份文件它会抢先处理单次 LLM 调用失败不会中断对应图片的文本缺失但转换继续。没有可提取文本的扫描页会被自动识别整页按 300 DPI 渲染后送给视觉模型。核心实现在 _ocr_service.py插件如何接入可以看 markitdown-ocr 包。避坑清单现象pip install markitdown后转 PDF/PPTX 报不支持。原因没装可选依赖核心包只含文本/HTML 类解析。处理改用pip install markitdown[all]或只装需要的特性如[pdf]、[docx]。现象装了 OCR 插件输出里却没有图片文字。原因没传llm_client/llm_model插件会静默跳过 OCR 回退到普通转换器。处理确认两个参数都传了再检查 API key 和网络模型名是否有效。现象转图片只有几行元数据没有描述。原因同上LLM 客户端缺失或者系统没装 exiftool影响元数据部分。处理传 LLM 参数元数据缺失可brew install exiftool或指定exiftool_path。现象管道输入转换失败或识别错类型。原因没有文件名扩展名嗅探不到。处理加-x pdf、-m text/html之类的提示参数。现象同一类文件被插件和内置转换器打架。原因插件转换器按优先级覆盖enable_pluginsFalse可关掉。处理需要稳定行为时显式指定开关内置转换器注册逻辑可参考 converters 目录。小结MarkItDown 的价值就一句话把一堆格式各异的文件变成LLM 能直接读的 Markdown命令行三分钟上手Python API 和插件机制负责把扫描件、图片这类硬骨头啃下来。想深入可以看 markitdown 包的 README 和 converters 源码目录每类文件怎么被解析、优先级怎么排源码里一目了然。【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