PDF、Word、Excel、PPT转成结构化的Markdow

大模型读的是 token，PDF 和 Office 给的是二进制布局。直接抽文字，表格会散成一行行句子，跨页段落也会断在奇怪的位置。

现在有两个开源项目能直接把文档洗成干净 Markdown。微软的 markitdown覆盖最广，装个插件还能做 OCR；Firecrawl 新出的 anydoc格式少点，但输出风格统一，还能直接在浏览器里转。

选型就看两件事：要不要 OCR，输出保真度够不够用。速度差的那点时间，在一次人工核对面前完全可以忽略。

不过接流水线时有几个坑得避开。扫描件不会自己变成文字，anydoc 遇到扫描页会直接报错退出，markitdown 没配好插件则会安静跳过。批量跑时千万别把错误全吞掉，不然你根本不知道文件是加密了还是缺结构。

最后提醒一句：涉密文档别开 anydoc 的托管 OCR，它会直接把整份文件发往云端。先拿十份真实文档各跑一遍，比看任何榜单都准。