MICROSOFT 开源
markitdown
150K+ Stars · 将任意文档一键转换为 Markdown
Python 3.10+
MIT 开源
LLM 友好
MIT 开源
LLM 友好
📌 项目简介
markitdown 是微软出品的一款轻量级 Python 工具，支持将 PDF、PowerPoint、Word、Excel、HTML、CSV、JSON、音频、视频等 数十种文件格式 统一转换为 Markdown 格式，是大模型文档处理管道中的核心基础设施。
⚙ 安装要求与过程
环境要求
- Python 3.10 及以上版本
- 推荐使用虚拟环境（venv / uv / conda）
- pip 21.0+（用于安装可选依赖组）
快速安装（全格式支持）
# 全量安装（推荐）
pip install 'markitdown[all]'
# 命令行直接使用
markitdown document.pdf > output.md
# Python API 使用
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("document.pdf")
print(result.text_content)按需安装（减少依赖体积）
pip install 'markitdown[pdf, docx, pptx]' # 仅 PDF/Word/PPT
pip install 'markitdown[youtube-transcription]' # 仅 YouTube 字幕★ 核心功能
📄 多格式支持
PDF、Word、PPT、Excel、HTML、CSV、JSON、XML、EPUB、ZIP，覆盖办公全场景
🖼️ 图片 & 音频
图片 EXIF 元数据提取 + OCR，音频语音转写，视频字幕自动获取
🤖 LLM 集成
可调用 GPT-4V 等大模型为图片/幻灯片生成描述，增强多模态理解
🔌 插件扩展
支持第三方插件（如 markitdown-ocr），社区插件标签 #markitdown-plugin
☁️ Azure 集成
支持 Azure Document Intelligence 和 Azure Content Understanding，企业级文档解析能力
▶ 典型使用场景
场景一：RAG 知识库文档预处理
在构建 RAG（检索增强生成）应用时，需要将企业内部的 PDF 手册、Word 文档、PowerPoint 课件统一转换为 Markdown，再切片嵌入向量数据库。markitdown 一条命令批量处理，保留标题层级和表格结构，大幅提升检索精度。
for f in docs/*.pdf; do
markitdown "$f" -o "md/${f%.pdf}.md"
done场景二：LLM 文档理解管道
将用户上传的任意格式文档（简历、合同、报告）转换为 Markdown 后传给 LLM 进行分析、摘要或信息提取。markitdown 的 Markdown 输出对 Token 消耗远低于原始二进制格式，降低成本。
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("contract.docx")
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role":"user","content":f"摘要：{result.text_content}"}]
)💡 推荐理由
作为一名经常和 LLM 打交道的开发者，markitdown 已经成为我工具箱里的常驻成员。它的价值在于把”任意文档”变成”LLM 能理解的文本”，这在大模型应用开发中是一个高频且痛点的需求。
最让我惊喜的是它的格式保留能力——转换后的 Markdown 仍然保留表格结构、标题层级和链接，这直接决定了 RAG 检索的质量。相比之下，很多同类工具转换后就只剩纯文本了。
来自微软 AutoGen 团队的维护保证，加上 150K+ Stars 的社区验证，这款工具的可靠性和迭代速度都非常值得信赖。如果你正在做任何涉及文档处理的大模型应用，markitdown 绝对是不二之选。
由 AI 自动整理，更多开源项目介绍持续更新中 🚀
发表回复