微软开源 MarkItDown：一键将文档变Markdown，AI训练神器来了！

还在为PDF、Word、PPT转Markdown发愁？微软官方工具免费开源，轻松提取文档文字、表格、图片甚至OCR！

最近AI圈又有一个“官方级”工具悄悄火了——微软开源了 MarkItDown。别看名字有点呆萌，它可是能把PDF、Word、PPT、Excel、图片（OCR）甚至HTML统统转换成Markdown格式的神器。

为什么Markdown这么重要？因为现在的AI大模型几乎都“吃”Markdown格式的数据——结构清晰、纯文本、易处理。但日常文档五花八门，转换一直是痛点。

现在，微软亲自下场解决了。本文带你3分钟看懂 MarkItDown 能做什么、怎么用。

一、MarkItDown 是什么？

MarkItDown 是微软开源的 Python 库，核心功能就一句话：将各种办公文档转换成 Markdown 格式。

它就像一台“文档粉碎机+重组机”——把 PDF 里的文字、Word 里的表格、PPT 里的幻灯片、Excel 里的数据，甚至图片里的文字（OCR）全部提取出来，整理成干干净净的 Markdown。

GitHub 地址：microsoft/markitdown（上线不到一周已获 2.5w+ star）

二、为什么你需要它？

如果你是下面任意一种人，MarkItDown 会让你爱不释手：

• AI 工程师/数据科学家：需要把各种格式的文档喂给 LLM（大语言模型）
• 知识库搭建者：想把企业文件库一键转成纯文本索引
• 普通办公族：偶尔需要把 PDF 或 PPT 里的内容提取出来编辑
• RAG 应用开发者：需要高质量的结构化文档输入

过去我们可能要用 Pandoc、Adobe Acrobat、各种在线转换工具，要么收费、要么格式乱、要么不支持批量。MarkItDown 完全免费，而且由微软官方维护，质量和更新有保障。

三、支持哪些格式？（几乎全了）

表格是根据 README 整理的最新列表

四、安装与使用（只要两行代码）

1. 安装

pip install markitdown

如果需要 OCR 图片功能，建议加装依赖：

pip install markitdown[ocr]

2. 命令行使用

markitdown 简历.pdf > 简历.mdmarkitdown 年终汇报.pptx > 汇报.mdmarkitdown 复杂表格.xlsx --output 表格.md

3. 在 Python 中使用

from markitdown import MarkItDownmd = MarkItDown()# 转换 PDFresult = md.convert("document.pdf")print(result.text_content)# 批量转换import globfor file in glob.glob("docs/*.pdf"):    result = md.convert(file)withopen(f"{file}.md", "w") as f:        f.write(result.text_content)

就这么简单。PDF 里的表格会变成 Markdown 表格，PPT 里的每一页会被 --- 分隔，图片里的文字会被 OCR 识别出来。

五、与 Pandoc 对比：谁更胜一筹？

说到文档转换，很多人会想到 Pandoc——那个被称为“文档转换瑞士军刀”的老牌工具。那么 MarkItDown 和 Pandoc 有什么区别？该选哪个？

对比一览表

核心差异解读

1. 定位不同

• Pandoc：想做“文档转换界的万能翻译”，支持 50+ 格式互转（Word ↔ PDF ↔ HTML ↔ EPUB ↔ LaTeX…），适合复杂出版流程。
• MarkItDown：只做一件事——任何文档 → Markdown，把它做到极致，特别适配 AI 数据预处理。

2. 办公文档支持

• Pandoc 对 Word/PPT/Excel 的支持依赖外部工具（如 LibreOffice），转换质量不稳定。
• MarkItDown 直接调用微软 Office 底层 API（Windows）或 Office 365 REST API，格式保真度更高。

3. OCR 能力

• Pandoc 完全无法处理扫描版 PDF 或图片中的文字。
• MarkItDown 集成 Tesseract OCR，能“读懂”图片里的字，这对处理老旧文档非常有用。

4. 使用场景建议

• 选 MarkItDown：你主要需要把办公文档（Word/PPT/Excel/PDF/图片）转成 Markdown，用于 RAG、模型训练、知识库构建。
• 选 Pandoc：你需要在多种格式之间来回转换（比如 MD → EPUB → PDF），或者写学术论文需要 LaTeX 与 Word 互转。

💡 一句话总结：MarkItDown 是“AI 时代的文档转换器”，Pandoc 是“文档转换界的万能工具箱”。两者可以共存，各取所长。

六、背后的原理（非技术可跳过）

MarkItDown 并不是自己解析所有格式，而是“借力打力”：

• PDF：调用 pdfminer.six 提取文本和布局
• Word/PPT/Excel：使用 office365-rest-python-client 或本地 COM 对象（Windows）读取
• 图片 OCR：依赖 pytesseract（Tesseract OCR 引擎）
• HTML：使用 beautifulsoup4 清理标签

最后统一输出为标准 Markdown 格式。整个过程自动处理编码、表格对齐、分页符等问题。

七、常见问题 & 避坑指南

Q1：中文 PDF 会乱码吗？

如果 PDF 里的字体是嵌入且标准编码的，一般不会。但如果 PDF 是扫描件（图像型），需要开启 OCR 功能。

Q2：图片 OCR 需要额外安装什么？

• Windows：下载安装 Tesseract，并配置环境变量 TESSERACT_CMD
• macOS：brew install tesseract
• Linux：sudo apt install tesseract-ocr

Q3：能保持原文档的目录结构吗？

可以批量转换文件夹，它会依次输出每个文件的 Markdown，但不会自动生成目录索引。你可以写脚本合并。

Q4：MarkItDown 和 Pandoc 可以一起用吗？

当然可以！典型流程：MarkItDown 将复杂办公文档转成 Markdown → Pandoc 再将 Markdown 转成你需要的高质量 EPUB/PDF/LaTeX。

八、实际应用场景示例

场景1：用 LLM 总结一份 100 页的年报

withopen("annual_report.pdf.md", "r") as f:    content = f.read()# 截取前 5000 字发给 ChatGPT/Claudesummary_prompt = f"请用中文总结以下内容的关键信息：\n{content[:5000]}"

场景2：搭建企业知识库问答系统

将所有 Word/PDF 转成 Markdown 后，用向量数据库（如 Chroma、Weaviate）建立索引，就可以实现“问文档”功能。

场景3：从图片表格中提取数据

先 OCR 成 Markdown 表格，再用 Python 解析为 DataFrame。

场景4：混合工作流（Pandoc 兜底）

# MarkItDown 转复杂办公文档markitdown 产品说明书.docx > temp.md# Pandoc 转为精美 PDF（需安装 LaTeX）pandoc temp.md -o 最终产品手册.pdf --pdf-engine=xelatex

九、总结

MarkItDown 是一款“小而美”的官方工具，它解决了 AI 时代一个非常实际的需求：让非结构化文档变成 AI 友好的结构化文本。

• ✅ 免费开源，微软官方出品
• ✅ 支持 10+ 常见文档格式
• ✅ 保留表格、页眉、列表等结构
• ✅ 提供 CLI 和 Python API 两种方式
• ✅ 支持 OCR 从图片中提取文字
• ✅ 与 Pandoc 互补，协同工作更强

如果你经常和文档打交道，或者正在搭建 RAG 应用，强烈建议把这个小工具收入你的工具箱。

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

命令行一句安装：

pip install markitdown