-
buo4 技术教程组 用户
把 PDF、Word、PPT 统统喂给 AI：微软开源的 MarkItDown
做过 RAG 或者给 AI 喂过文档的人，大概都被同一个环节恶心过：格式转换。
你手上是 PDF、Word、PPT、Excel，甚至还有 Outlook 邮件和压缩包。而模型想要的是干净的纯文本或者 Markdown。中间这一步，要么自己写解析代码，要么用一堆互不兼容的库拼凑：PDF 用一个、Word 用一个、Excel 又是另一个，每个库的接口风格都不一样，处理完还要自己拼成统一格式。
更糟的是，很多转换工具的输出是扁平的纯文本——标题层级没了、列表变成了散乱的短行、表格被压成一坨字符。模型拿到这种东西，理解能力直接打对折。
MarkItDown 是微软开源的 Python 工具，专门解决这一步。它的定位很明确：把各种文件转成 Markdown，给 LLM 和相关文本分析管道用。
为什么是 Markdown，而不是纯文本
README 里专门有一节回答这个问题，理由说得挺到位：
Markdown 非常接近纯文本，标记极少，但仍然能表达重要的文档结构。而主流大模型（比如 GPT-4o）原生就"说"Markdown——很多时候你没要求，它自己就用 Markdown 格式回答。这说明模型在训练时见过海量 Markdown 文本，理解得很好。附带的好处是，Markdown 的写法还非常省 token。
这解释了一个容易被忽略的点：转换成 Markdown 不是为了好看，而是在保留结构和节省 token 之间找平衡。纯文本省 token 但丢结构，HTML 保结构但太啰嗦，Markdown 刚好卡在中间。
支持的格式
官方 README 列出的转换范围：
范围比多数同类工具宽。几个值得单独说的：
图像支持 EXIF 元数据和 OCR。意味着你扔一张扫描件进去，它能提取文字，同时保留拍摄时间、设备等元信息。
音频支持 EXIF 元数据和语音转写。语音文件也能进管道，这在做会议记录归档时很有用。
ZIP 会递归遍历内部文件。你扔一个压缩包进去，它会把里面的每个文件都转换一遍。批量处理场景下省事。
YouTube URL 可以直接抓字幕。把视频链接当输入，输出是字幕文本。
HTML 和 CSV、JSON、XML 这些文本格式也在支持范围内，做数据清洗时可以直接统一成一种格式。
它和 textract 的区别
README 里主动做了对比：它最接近 textract，但重点在于把重要的文档结构和内容保留成 Markdown（包括标题、列表、表格、链接等）。
这个区别很关键。textract 那类工具的目标是"把文字抠出来"，而 MarkItDown 的目标是"把文档结构转化成模型能理解的形式"。前者适合做全文检索，后者才适合喂给 LLM。
不过官方也很坦诚地标注了边界：它的输出通常可读、对人友好，但它是给文本分析工具消费的，不一定适合追求高保真的人类阅读场景。换句话说，别指望用它做排版级的文档转换，它的赛道是给 AI 提供上下文。
一个必须说的安全提醒
README 开头有一段很重要的警告，值得单独拎出来。
MarkItDown 以当前进程的权限执行文件 I/O。就像 open() 或 requests.get() 一样，它能访问进程本身有权访问的任何资源。
这意味着什么？如果你在不受信任的环境里处理用户上传的文件，就必须自己做输入清理，并且只调用你实际需要的那个最窄的转换函数（比如 convert_stream() 或 convert_local()），而不是图省事用宽泛的入口。
这条警告写得比一般项目严谨。对做 SaaS 的开发者来说，这是必须处理的点——用户上传一个精心构造的文件，可能诱导转换器读取服务器上的敏感文件。
环境与上手
官方要求 Python 3.10 到 3.14，推荐用虚拟环境避免依赖冲突。
核心用法很简单——pip 装上之后，一行 Python 就能完成转换。它也提供命令行入口，可以直接对文件路径或 URL 做转换。
值得一提的是它还能作为 MCP Server 运行。这意味着 Claude Desktop、Copilot 这类支持 MCP 的客户端可以直接调用它的转换能力，不用自己写代码。对非开发者来说，这是最省事的接入方式。
另外它支持插件扩展——第三方格式可以自行注册转换器接进来，不必等官方支持。
适合谁用
做 RAG 的开发者是最直接的受益者。文档解析是 RAG 管道的第一环，也是最容易出问题的一环，交给一个统一的工具处理，比维护一堆解析库省心。
做 Agent 工具链的人也值得关注。任何需要"读文件"的智能体，都可以把 MarkItDown 当成标准化的读取层。
想给 AI 喂资料但不想写代码的用户，走 MCP 接入是最短路径——装好之后让 AI 自己去读文件。
不太适合的是追求高保真文档转换的场景。如果你要把 PDF 精确保真地转成 Word，这不是它的目标；它的输出是给机器读的，不是给人看的排版件。
项目地址： https://github.com/microsoft/markitdown
本文依据项目官方仓库 README 整理编写。开源项目迭代较快，支持的格式范围与使用方式请以官方最新文档为准。