MarkItDown

项目简介 MarkItDown 是微软开源的 Python 文档转换工具，核心功能是将各类文件格式统一转换为 Markdown，解决 LLM 和文本分析管道中最令人头疼的"格式碎片"问题。不同于重在视觉还原的重排版工具，MarkItDown 的设计目标是保留文档的完整结构信息（标题层级、列表、表格、链接等），同时输出对 LLM 友好的纯文本格式。Markdown 本身与 LLM 的训练语料高度契合，Token 消耗也更低，是向大模型输入文档内容的推荐格式。

支持格式（≥10种） MarkItDown 目前支持转换的文件格式包括： PDF 文档（保留文本层或 OCR 提取） PowerPoint 演示文稿（每页转为一节，包含演讲者备注） Word 文档（.docx，保留标题、列表、表格） Excel 电子表格（.xlsx，每张工作表单独输出） 图片（EXIF 元数据提取 + OCR 文字识别） 音频文件（EXIF 元数据 + 语音转写） HTML 网页（保留结构，移除无关样式脚本） CSV、JSON、XML 等文本格式（保持原始层次） ZIP 压缩包（自动解压并依次处理内部文件） YouTube 视频链接（提取字幕和视频描述） EPUB 电子书 ……以及更多格式持续添加中。

技术实现（≥200字） MarkItDown 的架构围绕"格式探测 → 格式专用转换器 → Markdown 标准化输出"三层设计。每种格式对应一个独立的 convert_* 函数，如 convert_pdf()、convert_powerpoint()、convert_word() 等，均返回统一的 Markdown 字符串。转换过程中优先使用原生库（python-docx 处理 Word、openpyxl 处理 Excel、PyPDF2 / pdfplumber 处理 PDF），避免重型依赖；在处理图片和音频时调用系统级工具（ExifTool、Tesseract、FFmpeg）提取元数据，对于 YouTube 视频则调用 yt-dlp 获取字幕。整体设计遵循最小权限原则，转换操作以当前进程权限执行，不存在隐藏的网络访问或文件写入行为，适合在服务器端批量处理敏感文档。输出 Markdown 时保留了 heading 层级（# ## ###）、有序/无序列表（- / 1.）、表格（| col1 | col2 |）和链接语法，确保 LLM 能够准确理解原始文档的逻辑结构。

安装与使用 MarkItDown 需要 Python 3.10 或更高版本，推荐使用虚拟环境安装：pip install markitdown 转换本地文件：markitdown document.pdf > output.md 转换远程文件：markitdown https://example.com/file.pptx Python API 调用： from markitdown import MarkItDown md = MarkItDown() result = md.convert("document.docx") print(result.text_content)

适用人群 需要批量将 Office 文档喂给 LLM 做分析、摘要或问答的开发者；构建内部知识库、需将历史文档统一转 Markdown 后做向量检索的团队；处理 PDF 报告、论文、合同等长文本的 NLP 研究者和数据工程师。

开源协议 MIT

官网链接 https://github.com/microsoft/markitdown