MarkItDown

MarkItDown 产品简介

MarkItDown 是微软官方开源的轻量级 Python 文档转换工具，可将 PDF、Office 文档、图片、音频、网页等数十种格式统一转换为 Markdown 文本，同时保留文档的标题层级、表格、列表、链接等结构信息。输出内容贴近纯文本、token 消耗低，非常适合接入大模型进行内容分析、知识抽取和文本处理流水线。

核心功能

• 多格式支持：支持 PDF、PowerPoint（.pptx）、Word（.docx）、Excel（.xlsx）、图片（EXIF + OCR 文字识别）、音频（EXIF + 语音转写）、HTML、CSV、JSON、XML、ZIP 压缩包、YouTube 视频链接、EPub 电子书等十余种格式
• 结构保留：转换时保留标题层级（H1-H6）、有序/无序列表、表格、链接等 Markdown 常见语法元素，输出可直接用于笔记系统和知识库
• 多媒体处理：内置图片 OCR（光学字符识别）和音频语音转写功能，直接从扫描件或录音中提取文字内容
• 流式转换：提供 convert_stream()、convert_local() 等窄函数，可在不可信环境中限制文件访问范围，降低安全风险
• 命令行工具：安装后即可通过 markitdown 一键转换，无需编写 Python 代码
• Python API：两行代码即可完成转换：MarkItDown().convert("文件路径")，适合集成到现有数据处理流程

特色优势

• 微软官方维护：由 Microsoft 官方团队开发并维护，质量可靠，持续更新
• Token 高效：Markdown 相比富文本格式 token 消耗更低，LLM 原生理解，API 成本更省
• 零依赖外部服务：所有转换在本地完成，无需上传文件到第三方服务，数据隐私有保障
• 安装简单：一条 pip 命令即可完成安装：pip install 'markitdown[all]'，Python 3.10+ 兼容
• 安全设计：提供窄函数接口，可在受限环境中限制文件 I/O 范围，防止路径穿越等安全问题

应用场景

• 知识管理系统：将 PDF 论文、Office 报告批量转换为 Markdown，导入 Obsidian、Logseq 等双链笔记工具
• 内容索引与检索：将大量文档统一转 Markdown 后建立全文索引，支持向量数据库Embedding
• 大模型数据预处理：为 LLM 微调或 RAG 流程提供结构化的文本语料，降低 token 消耗
• 无障碍办公自动化：通过 OCR 从扫描件、图片中提取文字，实现文档数字化

适用人群

• 需要处理大量 PDF 论文、报告的科研人员和知识工作者
• 构建 RAG 或知识库系统、需要统一文档格式的 AI 开发者
• 需要批量转换文档格式、接入笔记系统的个人博主和内容创作者
• 企业内部文档管理员，需要将历史 Office 文档数字化并建立索引

出品方

微软（Microsoft）官方开源项目，托管于 GitHub，发布于 PyPI。

更新动态

最新版本 0.1.7（2026 年 7 月发布），支持 Python 3.10 及以上版本，持续接受社区贡献。

官网链接

PyPI 主页：https://pypi.org/project/markitdown/ GitHub 仓库：https://github.com/microsoft/markitdown