文档格式互转的开源工具,装上就不用再折腾

收到一份 Word 文档要转成 Markdown，或者把表格导成表格文件——这类小活儿听起来简单，真做起来往往要装一堆软件，转完还得手工修格式：标题层级丢了、表格错位、公式变成图片。有个开源工具想一次解决：它把常见的办公文档格式统一读进来，再按同一种方式输出成 Markdown。项目叫 anydoc，在 GitHub 上已有两万多星（据项目公开资料），本文拆开讲它的做法与用法。

免责声明

：本文为 GitHub 项目开源技术科普分享，基于公开信息整理（anydoc 项目仓库及公开资料）；文中 anydoc、Firecrawl、Word、PowerPoint、Excel、Markdown 等为项目名或产品名，与相关方无商业合作或背书；功能与数据以仓库实时内容为准；安装与使用请遵循项目许可与相关条款；本文不构成任何投资建议。

一、格式转换这件事，麻烦得超出预期

办公文档的格式横跨三十多年：上世纪的旧版二进制格式还在用，新版的打包格式又各不相同。转换工具通常各管一段，压出来的结果风格也不一致——同一个标题，在两条转换路径下可能得到两种写法。

anydoc 的思路是先归一。每种格式都解析成同一个文档模型，再通过同一个输出器渲染成 Markdown。这样转义规则、表格写法、标题锚点、脚注处理在各类输入下表现一致，不会因为源文件是 2003 年的旧格式还是昨天的文件而变样。

这种归一在跨格式协作里格外有用：同事发来的演示文档、财务给的表、从资料站下载的电子书，读进来是同一套结构，后续处理不用为每种来源各写一套判断。

二、一份文档模型，一个输出口

可处理的格式覆盖得比较齐：

文字文档：Word 的新旧格式 演示文档：PowerPoint 的多种后缀 表格文档：Excel 的多种后缀 开放文档：OpenDocument 三件套 其他：RTF、EPUB、CSV、PDF

结构保留得比较完整：标题带锚点，粗体与斜体、行内代码与代码块、链接与内部交叉引用、多级列表与任务列表（沿用源文件自己的编号）、带合并单元格与表头的表格、引用块、脚注与尾注，连演讲者备注都带上。图片与嵌入对象会渲染成占位说明，原始字节仍保留在文档模型里并标注类型。

公式的处理值得一提。文字与演示文档里的公式、开放文档与电子书里的公式，都会转成通用的数学标记，行内与独立成行分别对待。对经常整理技术资料的人来说，这一项省事不少。

三、不看扩展名，看内容

一个常被忽略的细节是格式识别。很多转换失败源于文件后缀与真实内容不符——下载来的文档被改过名，或者从邮件附件里导出的文件后缀不对。

这个工具从字节本身判断格式：看文件头、看打包结构、看内部流名称。所以后缀写错的文件照样能正确转换，不用手工改名再试一遍。

判断发生在解析之前，依据是文件头特征、打包结构里的类型标记，以及旧格式特有的内部流名称。先认准是什么，再决定怎么读。

四、快在哪，以及怎么用

实现上它用系统级语言编写，不依赖模型，也不调用外部服务，中位转换时间在毫秒级。对开发者友好的地方在于绑定方式：在脚本环境里转换时不会阻塞主循环，其他任务可以照常跑。

命令行：指定文件即可输出 Markdown，可写入文件或用管道读入 脚本调用：按路径、按字节流转换，也可只取文档模型 扫描件：需要识别时再选择托管识别能力

它同时以编辑器技能的形式分发，装好之后，助手遇到办公文档可以直接读，不用你手工转一遍再喂进去。

命令行的路子适合临时转换，脚本调用适合接进已有的处理流程，两条路走的是同一套解析逻辑。

五、装起来，以及几点注意

上手路径不复杂。

起步：从软件包仓库安装，或首次运行时自动获取对应平台的可执行文件 转换：指定文件路径输出 Markdown，后缀写错也能识别 进阶：在脚本里按字节流调用，或只取文档模型 扫描件：确需识别时再开启

几点提醒。旧版二进制格式与新版打包格式的解析路径不同，个别复杂排版可能仍需人工核对，转换后建议抽查标题与表格。扫描件识别属于可选能力，会走外部服务，用于敏感文档前先确认数据流向。项目采用开源许可，具体条款以仓库说明为准，商用前建议核对一遍。工具迭代较快，升级前留意变更说明。

写在末尾

这类工具的价值不在功能多，而在于把一件反复发生的小事做顺：格式各异的文档进来，干净的结构化文本出去，中间不用人盯着。

文档处理的麻烦，多半来自格式的碎片化。与其在每条转换路径上各自修补，不如先归一到同一个模型——这个思路，比工具本身更值得借鉴。

挑这类工具时，与其比较谁的格式清单更长，不如看它输出是否稳定：能反复得到同样干净的结果，才值得放进日常流程。

📌 信息来源：anydoc 项目仓库（github.com/firecrawl/anydoc）及相关公开资料。

#开源项目#文档处理