文档杂烩锅|MarkItDown:把 PDF/Word/Excel 一键炖成 LLM 能啃的 Markdown

① 开胃
手里一堆 PDF、Word、Excel，想喂给 AI 却复制粘贴到崩溃？

② 主菜
MarkItDown 是微软开源的一个轻量 Python 小工具，干一件事：把五花八门的文件统一转成 Markdown。它和那些"只管把文字抠出来"的抽取库不同，重点在于保留文档结构——标题、列表、表格、链接都原样变成 Markdown，让大模型能直接"读懂"，而不是拿到一坨失去格式的纯文本。做文档问答、知识库、RAG 预处理的，这个就是流水线第一道工序。

核心能力
1、多格式通吃

• 覆盖 PDF、PPT、Word、Excel、图片（含 EXIF 与 OCR）、音频（含转写）、HTML、CSV/JSON/XML、ZIP、YouTube 链接、EPub 等。

• 输出保留标题层级、表格、列表、超链接，而不是丢成一整段乱码文本。

• 命令行一行出结果，也能在代码里 import 调用，方便嵌进自己的处理脚本。

• 用 markitdown[pdf] 等插件按需装依赖；还能接 LLM 做图片理解、语音转写。

功能亮点
1、为 LLM 而生：输出就是 Markdown，主流大模型原生"说"这门语言，喂数据省掉格式清洗。
2、零改造接入：import 几行就能把历史文档变训练/检索语料，是 RAG 落地的趁手工具。
3、轻量零负担：核心只做"转 Markdown"一件事，不用像重型 OCR/解析平台那样扛上百 MB 依赖。

③ 食材清单
Python 3.10+，核心纯 Python，解析能力按文件类型懒加载。

• 后端：Python（pdfminer.six、python-docx、python-pptx、openpyxl、Pillow 等，按需引入）
• 前端：无（命令行 + 库，没有图形界面）
• 其他：可选 LLM 插件（如 gpt-4o 图片理解/语音转写）、Azure Document Intelligence 等扩展

④ 古月尝鲜
优点：轻量、格式覆盖全、输出结构化 Markdown 直接进 LLM 管线；微软背书，更新活跃（最近提交 2026-10-04）。
缺点/坑：① 官方文档以英文为主，中文资料靠社区搬运；② 它是命令行/库，没有图形界面，官方 README 也没有现成产品截图（所以本篇没有效果预览图）；③ 复杂排版 PDF 还原有限，表格跨页、扫描件 OCR 都依赖额外插件，别指望 100% 保真。

⑤ 上菜方式
pip install markitdown 后——
命令行：markitdown 报表.pdf > 报表.md
代码里：from markitdown import MarkItDown; md = MarkItDown().convert("报表.pdf").text_content
仓库地址：github.com/microsoft/markitdown ⭐ 189.4K

（国内直连 GitHub 偶尔偏慢，可用 pip 国内镜像；暂无 Gitee 官方镜像，可通过gitee急速下载：https://gitee.com/weixuhuicloud/markitdown）

⑥ 适合谁
做 RAG / 知识库 / 文档问答的 AI 工程师、需要把历史 Office 文档批量转 Markdown 的开发者、被文件格式折磨的打工人。

⑦ 结尾互动
你最想让我下期端哪道菜？留言告诉我 / 点点收藏防走丢