MarkItDown

微软开源：PDF、Word、Excel、PPT、图片、音频、HTML 统一转成结构化 Markdown，保留标题与表格

项目速览

项目内容

仓库 microsoft/markitdown

语言 Python

协议 MIT

维护 Microsoft

能力 PDF / Office / 图片 / 音频 / HTML / ZIP

它想解决什么问题

做 RAG 或文档问答，第一道坎是”把文件变成文本”。这一步看着简单，实际满地坑：PDF 提取出乱七八糟的换行、表格变成一坨、PPT 的层级全丢、Excel 的多 sheet 无从表达。

MarkItDown 的答案是统一转成 Markdown：标题、列表、表格、链接都有对应语法，LLM 读起来比纯文本更接近原文结构。

1. 格式覆盖面广。 PDF、DOCX、XLSX、PPTX、HTML、CSV/JSON/XML、图片（含 OCR 与 EXIF）、音频（转写）、ZIP（批量遍历）都在支持列表里。

2. 结构优先。 转换时努力保留标题层级与表格结构，而不是把内容拍平——这对下游检索质量影响很大。

3. 接口极简。 一个 MarkItDown().convert(path) 返回带 text_content 的对象，可以直接喂给模型或入库。

4. 可扩展。 支持注册自定义转换器，私有格式可以自己接。

1	pip install markitdown[all]

1
2
3

from markitdown import MarkItDown
md = MarkItDown()
print(md.convert("report.pdf").text_content)

也提供 CLI：markitdown report.pdf > report.md。

亮点是省掉了”每个格式写一个解析器”的重复劳动，而且输出格式对 LLM 友好。微软维护意味着格式兼容性会持续跟进，这对长期项目比一时的功能多寡更重要。

局限：PDF 仍是难点——扫描件要靠 OCR，双栏排版与复杂表格会失真；转换过程会丢样式与图片，需要图文的场景不够用；音频转写依赖额外模型，速度慢；[all] 依赖较重，体积与安装时长要有心理准备。

适合人群：做 RAG、文档问答的工程师；需要批量把资料转成可检索文本的团队；以及经常要”把 PDF 塞给模型”的开发者。