
它解决什么问题
把一份 PDF 直接丢给 AI,结果经常是乱的:表格拆散、页眉页脚混进正文、双栏排版被读成一句一行。问题往往不在模型,在输入——大部分解析器只是把文字倒出来,结构全丢了。手工复制粘贴几十页不现实,扫描件更是没法处理。做 RAG 知识库的人对此体会最深:文档解析没做好,后面向量检索再准也白搭。
MarkItDown MarkItDown 是微软开源的 Python 工具,专门把 PDF、Word、Excel、PPT、图片、HTML、EPUB 这些杂七杂八的文件转成干净的 Markdown,GitHub 上 19.2 万星,MIT 协议,免费可商用。它输出的 Markdown 保留了标题层级、列表和表格结构,正好是喂给大模型最省 token、也最容易被读懂的格式。
项目信息
| 项目 | 说明 |
|---|---|
| 开发方 | 微软(Microsoft) |
| 实现语言 | Python |
| 开源协议 | MIT |
| GitHub 星数 | 约 19.3 万(2026-10 核实) |
| 输入格式 | PDF / Office / 图片 / 音频 / HTML / EPUB 等 |
| 输出格式 | Markdown |
核心功能
- 格式覆盖得全:PDF、docx、xlsx、pptx、HTML、CSV、JSON、XML、EPUB、ZIP 压缩包都能转,连音频文件也能读出元信息。
- 输出保留结构:标题、列表、表格按 Markdown 语法还原,不再是一大段没有层次的纯文本,模型读起来不丢上下文。
- 命令行直接用:装完就有一条 markitdown 命令,接文件名输出 Markdown,可以写进脚本批量处理整个目录。
- 也能当库调用:Python 里创建一个 MarkItDown 对象,调用 convert 方法拿到结果,方便塞进自己的 RAG 或清洗流程。
- 可扩展转换器:支持注册第三方转换器插件,遇到偏门格式可以自己写一个,不用改源码。
- 带 MCP 服务:配套提供 MCP server,让支持 MCP 的 AI 客户端直接读取本地文档,不用先手动导出。
上手步骤
- 先装好 Python 3.10 以上版本,执行 pip install markitdown,需要处理 Office 和 PDF 时再加对应的 extras 依赖。
- 命令行转换:markitdown 报告.pdf 后面接重定向写到 md 文件,单个文件几秒钟出结果。
- 批量处理写个循环即可,把目录里的文件挨个转成同名 .md,输出目录自己先建好。
- 要接进程序就用它提供的 Python 接口,拿到的是 Markdown 字符串,直接写文件或送进向量库。
适合谁用
- 搭 RAG 知识库,被文档解析质量拖后腿的人
- 经常要把合同、报告、标书喂给 AI 做摘要的办公场景
- 手头有一堆资料要批量整理成笔记或站点内容的人
- 写爬虫或数据管线,需要统一转成 Markdown 再入库的开发者
常见问题
问:扫描版 PDF 能识别吗?
答:纯图片的扫描件要靠 OCR,MarkItDown 主打结构提取,图片识字得额外装 OCR 相关依赖,效果取决于你接的 OCR 引擎。
问:转出来表格会乱吗?
答:常规表格能还原成 Markdown 表格,跨页合并单元格这类复杂排版仍可能走形,重要表格建议人工复核一遍。
问:能商用吗?
答:MIT 协议,商用、改代码、闭源集成都可以,不需要额外授权。
问:Mac 和 Windows 都能用吗?
答:它是纯 Python 包,三大系统都支持,只要 Python 环境能装依赖就行。
最后更新:2026-10-30
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。
