近 10 万 Star!一行命令把 PDF、Word、Excel 全转成 Markdown,AI 吃文档终于不翻车了

做 RAG 应用开发的都知道这个痛：

用户丢过来一个 50 页的 PDF 产品手册，你信心满满地喂给 AI，结果——

AI 开始一本正经地胡说八道。

你检查原文，发现它把第 3 页的表格数据和第 15 页的注意事项混在了一起，还自己”脑补”了一个不存在的功能模块。

PDF 是给人看的，不是给 AI 读的。

就像给中国人吃法式大餐——能吃，但消化不良，还容易噎着。

最近，微软 AutoGen 团队开源了一个文档转换工具 MarkItDown，GitHub 上直接冲到了近 10 万 Star。

它能干什么？

一句话：把你电脑里几乎所有文档格式，一行命令转成 Markdown。

也就是说，你囤了十年的资料库，不管是论文、合同、报表还是扫描件，它都能帮你变成 AI 能读懂的格式。

你可能会问：转成 Markdown 有什么好处？

三个核心优势：

同样的内容，Markdown 比纯文本或 PDF 提取文本平均节省 30% 的 Token。

省钱。特别是在调用 GPT-4o 这种按 Token 计费的模型时，长期用下来能省不少。

Markdown 的标题层级、表格、列表、链接都有明确标记：

# 一级标题 ## 二级标题 - 列表项 1 - 列表项 2 | 表格 | 列 2 | |------|------| | 数据 | 数据 | 

AI 看到 # 就知道是标题，看到 | 就知道是表格，不会把不同段落的内容混在一起瞎编。

主流 LLM（GPT-4o、Claude、文心、通义等）都用海量 Markdown 文本训练。你喂它 Markdown，就像跟四川人说四川话——母语交流，理解更准。

pip install markitdown 

转换单个文件：

markitdown document.pdf > output.md 

批量转换整个文件夹：

markitdown ./docs/*.pdf > combined.md 

from markitdown import MarkItDown  md = MarkItDown() result = md.convert("annual_report.pdf") print(result.text_content) 

就这几行，搞定。

如果 PDF 里有图表、流程图、截图怎么办？

MarkItDown 支持集成 Vision 模型（如 GPT-4o），自动识别图片内容并生成文字描述：

from markitdown import MarkItDown  md = MarkItDown(enable_image_description=True) result = md.convert("presentation.pdf") 

转换后的 Markdown 会包含：

![图表：2024年Q1-Q4销售额增长趋势，从100万增长至350万，增长率250%] 

AI 终于能”看懂”图了。

对于扫描版 PDF（图片形式），可以集成 Azure Document Intelligence：

md = MarkItDown(     docintel_endpoint="https://your-resource.cognitiveservices.azure.com/",     docintel_key="your-api-key" ) result = md.convert("scanned_contract.pdf") 

手写笔记、公章文件、老档案，全部数字化。

不想折腾 Python 环境？电脑有Python环境可以直接用，不行就用 Docker：

docker run -v $(pwd):/data ghcr.io/microsoft/markitdown:latest /data/document.pdf 

跨平台、零依赖、开箱即用。

我也说说其中的问题：

你会发现部分格式他也是没法有效识别的，比如.XLSX\.DOC;

成功的关键改进：

• Excel（.xlsx）
  
   → openpyxl 直读，完美还原 Markdown 表格，授课计划表、时间表、通关表都能用
• 旧版 Word（.doc）
  
   → LibreOffice 先转 .txt，再清理，授课计划、案例集等均成功

328 个失败文件分析：

• 大部分是 .docx（新版 Word，markitdown 兼容性差）
• 学员手册/讲师手册/测试题类 docx，内容格式复杂
• ._开头文件 = macOS 元数据缓存，直接跳过即可

最终解决的方案是：

AI 时代，数据就是燃料。

但燃料需要预处理——你不能把原油直接倒进跑车发动机。

PDF、Word、Excel 这些格式是”原油”，Markdown 才是 AI 引擎能直接燃烧的”精炼汽油”。

MarkItDown 就是那个炼油厂。

近 10 万 Star 的背后，是无数开发者踩过坑后的共识：与其让 AI 硬啃 PDF，不如花 3 秒转成 Markdown。

我需要提醒的是：这样脏活累活别用workbuddy，就用免费的Qclaw。

毕竟，当潮水来的时候，先准备好船的人，才能划得更快。

（这只是一小部分）

GitHub 地址： https://github.com/microsoft/markitdown

安装命令：pip install markitdown

用过了，你会回来谢我的。

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连，让更多开发者少走弯路。