MarkItDown
微软开源的 Python 转换工具,能把 PDF、Office 文档、HTML、CSV、EPub 乃至图片和音频统一转成带标题、列表、表格的 Markdown,可命令行或库调用,适合开发者批量整理资料做 RAG 和文档预处理。
2 次可以打开平均 3.1 秒11 月 20 日 起国内不可直接访问11 月 14 日 起国内不可直接访问
本站从国内机房定期实测。竖条由远及近:绿 = 可以打开,橙 = 国内不可直接访问,灰 = 打不开。MarkItDown 是微软开源的一个 Python 小工具,干一件事:把各种文件转成 Markdown。你手头有 PDF、Word、Excel、PPT,或者一堆 HTML、CSV、JSON、EPub,甚至图片和音频,它都能读进来,输出一份带标题、列表、表格和链接的 Markdown 文本。它主要不是给人看的——输出虽然勉强能读,但目标是喂给大模型和文本分析流程,所以别指望它做高保真排版还原。
主要功能
转换覆盖的范围挺杂:PDF、PowerPoint、Word、Excel、图片(读 EXIF 和生成描述)、音频(EXIF 和语音转写)、HTML、CSV/JSON/XML 这类文本格式、ZIP(会逐个遍历里面的文件)、YouTube 链接、EPub。图片描述和语音转写依赖网络服务,不是纯本地跑。用法上可以命令行直接 markitdown 文件.pdf > 文档.md,也可以当 Python 库调用,按需选最窄的 convert_* 函数。
适合谁
做 RAG、文档预处理、批量把资料整理成 Markdown 的开发者。如果你只是想把一份 Word 转成排版漂亮的 Markdown 自己看,它未必顺手;但如果你要的是把几十种格式统一成纯文本再塞进模型,它省掉不少写解析器的时间。
费用与限制
MIT 协议开源,用 pip 安装,要求 Python 3.10 到 3.14。它用当前进程的权限做 I/O,跟 open() 或 requests.get() 一样能碰到进程能碰的资源,在不可信环境里要自己清洗输入。图片描述和语音转写走网络服务,离线场景下这部分用不了。
