MarkItDown 快速上手一条命令把办公文档转成 Markdown【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 是微软开源的轻量级 Python 工具解决的是 LLM 语料准备阶段的文档转换问题把 PDF、Word、Excel、PPT、图片、音频、HTML 等格式统一转成带结构的 Markdown供下游的文本分析和检索流水线直接使用。如果你的工作流里需要把异构文档喂给大模型又希望转换逻辑简单可控它是一个很省心的起点。它面向的是机器读而不是排版好看定位这一点决定了下面大部分行为。先判断你该不该用它适合选它的情况你要把一批文档变成 LLM 可消费的文本输出带层级、表格、链接的 Markdown 比纯文本更省 token文档来源混杂PDF、DOCX、XLSX、HTML 等希望按扩展名自动路由到对应解析器不用自己写分发逻辑你接受机器可读的质量标准愿意对复杂排版文档抽查结果。不适合的情况你要高保真还原文档版式多栏、公式密集、精细排版用于最终交付官方明确说输出是给人勉强能看、给工具最合适的程度你处理的是不可控的第三方输入且又没做输入校验它的 I/O 权限跟随当前进程这点在安全要求高的服务端要特别注意见文末。最小上手路径环境要求 Python 3.10 至 3.14建议先建虚拟环境。最短路径两条命令pip install markitdown[all] markitdown path-to-file.pdf -o document.md想验证第一次转换是否成功可以不用-o直接看标准输出cat path-to-file.pdf | markitdown管道输入时如果文件没有扩展名线索还能用-x参数提示格式如-x pdf。不需要全部格式的话按 extras 装依赖更省体积例如pip install markitdown[pdf,docx]。核心能力拆解格式覆盖十几种输入自动分流每种格式对应一个独立转换器源码集中在 converters/ 目录下比如_docx_converter.py、_pdf_converter.py、_xlsx_converter.py。覆盖 PDF、PowerPoint、Word、Excel含旧版 XLS、图片EXIF 与 OCR、音频转写、HTML、CSV/JSON/XML、ZIP、EPUB、YouTube 链接等。你调用时完全不感知这个拆分扩展名决定路由。结构保留输出是带骨架的 Markdown痛点纯文本转换会把标题层级、列表、表格全部压平下游解析要靠猜。MarkItDown 保留标题层级、列表、表格、超链接输出仍然是一份有骨架的文档。对切片喂 LLM 或建索引的场景这比裸文本省 token 也更好读。扩展能力LLM 补图片插件补 OCR图片描述仅 Python API 可用构造函数传入llm_client和llm_model图片文件与 PPTX 中的图会在输出里带上一段视觉模型生成的描述。第三方插件默认关闭用markitdown --list-plugins查看已安装插件--use-plugins开启。官方仓库里的markitdown-ocr插件把 PDF/DOCX/PPTX/XLSX 内嵌图片交给视觉模型提取文字扫描件 PDF整页无文本会以 300 DPI 渲染成整页图片送模型提取结果包在*[Image OCR]...[End OCR]*标记里插回原文位置。进阶场景批量转换一个混合目录假设papers/里混着 PDF 论文、Word 报告和 Excel 表格目标是让每个文件都有对应.mdfor f in papers/*; do markitdown $f -o papers_md/$(basename ${f%.*}).md done输入是任意数量的混合格式文件处理时按扩展名自动选转换器输出是一个papers_md/目录。之后无论是切片、建索引还是直接问答你面对的只有 Markdown 一种格式。目录里若含扫描件装上markitdown-ocr并在 Python 侧传llm_client即可补齐图片文字。边界、限制与常见坑CLI 没有 LLM 参数markitdown-ocr的 README 里出现过--llm-client写法但当前 CLI 源码__main__.py并未注册这些参数只有 Python API 能传llm_client。照插件文档敲命令行会发现 LLM 没生效以源码为准。不传llm_client时 OCR 静默跳过插件照常加载但会回退到内置转换器不会报错排查时容易误以为没装成功。输出质量边界面向文本分析工具复杂排版多栏、公式密集转换后建议人工抽查别直接当最终交付物。不可信输入官方建议服务端处理外部输入时做校验并优先调用最窄的 API——只读本地文件用convert_local()需要精细控制用convert_stream()而不是能接受远程 URI 的convert()。按格式装依赖排障某类格式转换报错时先确认对应 extras 是否装了对应依赖组。行动建议先pip install markitdown[pdf,docx]装最小依赖挑手边一份真实 PDF 跑通一次再决定要不要为 OCR 和 LLM 描述补装插件。【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 · 2026/11/5 8:41:06 · 阅读 1.2k MarkItDown 快速上手：一条命令把办公文档转成 Markdown
MarkItDown 快速上手一条命令把办公文档转成 Markdown【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 是微软开源的轻量级 Python 工具解决的是 LLM 语料准备阶段的文档转换问题把 PDF、Word、Excel、PPT、图片、音频、HTML 等格式统一转成带结构的 Markdown供下游的文本分析和检索流水线直接使用。如果你的工作流里需要把异构文档喂给大模型又希望转换逻辑简单可控它是一个很省心的起点。它面向的是机器读而不是排版好看定位这一点决定了下面大部分行为。先判断你该不该用它适合选它的情况你要把一批文档变成 LLM 可消费的文本输出带层级、表格、链接的 Markdown 比纯文本更省 token文档来源混杂PDF、DOCX、XLSX、HTML 等希望按扩展名自动路由到对应解析器不用自己写分发逻辑你接受机器可读的质量标准愿意对复杂排版文档抽查结果。不适合的情况你要高保真还原文档版式多栏、公式密集、精细排版用于最终交付官方明确说输出是给人勉强能看、给工具最合适的程度你处理的是不可控的第三方输入且又没做输入校验它的 I/O 权限跟随当前进程这点在安全要求高的服务端要特别注意见文末。最小上手路径环境要求 Python 3.10 至 3.14建议先建虚拟环境。最短路径两条命令pip install markitdown[all] markitdown path-to-file.pdf -o document.md想验证第一次转换是否成功可以不用-o直接看标准输出cat path-to-file.pdf | markitdown管道输入时如果文件没有扩展名线索还能用-x参数提示格式如-x pdf。不需要全部格式的话按 extras 装依赖更省体积例如pip install markitdown[pdf,docx]。核心能力拆解格式覆盖十几种输入自动分流每种格式对应一个独立转换器源码集中在 converters/ 目录下比如_docx_converter.py、_pdf_converter.py、_xlsx_converter.py。覆盖 PDF、PowerPoint、Word、Excel含旧版 XLS、图片EXIF 与 OCR、音频转写、HTML、CSV/JSON/XML、ZIP、EPUB、YouTube 链接等。你调用时完全不感知这个拆分扩展名决定路由。结构保留输出是带骨架的 Markdown痛点纯文本转换会把标题层级、列表、表格全部压平下游解析要靠猜。MarkItDown 保留标题层级、列表、表格、超链接输出仍然是一份有骨架的文档。对切片喂 LLM 或建索引的场景这比裸文本省 token 也更好读。扩展能力LLM 补图片插件补 OCR图片描述仅 Python API 可用构造函数传入llm_client和llm_model图片文件与 PPTX 中的图会在输出里带上一段视觉模型生成的描述。第三方插件默认关闭用markitdown --list-plugins查看已安装插件--use-plugins开启。官方仓库里的markitdown-ocr插件把 PDF/DOCX/PPTX/XLSX 内嵌图片交给视觉模型提取文字扫描件 PDF整页无文本会以 300 DPI 渲染成整页图片送模型提取结果包在*[Image OCR]...[End OCR]*标记里插回原文位置。进阶场景批量转换一个混合目录假设papers/里混着 PDF 论文、Word 报告和 Excel 表格目标是让每个文件都有对应.mdfor f in papers/*; do markitdown $f -o papers_md/$(basename ${f%.*}).md done输入是任意数量的混合格式文件处理时按扩展名自动选转换器输出是一个papers_md/目录。之后无论是切片、建索引还是直接问答你面对的只有 Markdown 一种格式。目录里若含扫描件装上markitdown-ocr并在 Python 侧传llm_client即可补齐图片文字。边界、限制与常见坑CLI 没有 LLM 参数markitdown-ocr的 README 里出现过--llm-client写法但当前 CLI 源码__main__.py并未注册这些参数只有 Python API 能传llm_client。照插件文档敲命令行会发现 LLM 没生效以源码为准。不传llm_client时 OCR 静默跳过插件照常加载但会回退到内置转换器不会报错排查时容易误以为没装成功。输出质量边界面向文本分析工具复杂排版多栏、公式密集转换后建议人工抽查别直接当最终交付物。不可信输入官方建议服务端处理外部输入时做校验并优先调用最窄的 API——只读本地文件用convert_local()需要精细控制用convert_stream()而不是能接受远程 URI 的convert()。按格式装依赖排障某类格式转换报错时先确认对应 extras 是否装了对应依赖组。行动建议先pip install markitdown[pdf,docx]装最小依赖挑手边一份真实 PDF 跑通一次再决定要不要为 OCR 和 LLM 描述补装插件。【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