MarkItDown:微软开源的文档转 Markdown 神器

MarkItDown 是什么

简单说，就是一个把各种文件转成 Markdown 的 Python 工具。由微软开源维护。

你可能会问：不就转个格式吗，有什么特别的？

关键是它支持的格式范围很广——PDF、Word、PPT、Excel、图片（EXIF + OCR）、音频（转文字）、HTML、CSV、JSON、XML，连 ZIP 压缩包都能递归处理。而且输出保留标题、列表、表格、链接等结构，不是简单扔出一堆纯文本。

为什么需要它

做 RAG（检索增强生成）或者 LLM 微调的人会懂：数据清洗是最耗时间的环节之一。各种格式的文件——扫描件 PDF、客户发的 Word、老板给的 PPT、表格密密麻麻的 Excel——要统一喂给大模型，必须先转成它认识的结构化文本。

MarkItDown 就是干这个的。它把预处理标准化了，一行命令搞定。

pip install 'markitdown[all]'
markitdown 报告.pdf > report.md

或者 Python 里用：

from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("report.docx")
print(result.text_content)

核心能力一览

我看中的几个点

1. 为 LLM 场景而生

与 textract 等传统工具不同，MarkItDown 从设计上就瞄准了 LLM/RAG 场景。它输出的 Markdown 保留了文档结构——标题层级、列表缩进、表格格式、链接——这些语义信息对大模型理解文档非常重要。一段有结构的 Markdown 比纯文本好理解得多。

2. 多模态能力

图片 OCR 和音频转文字意味着它能处理更丰富的输入。比如一份包含扫描图表和录音会议的调研材料，用 MarkItDown 一次就能统一转成结构化文本，不需要多个工具拼接。

3. 简单，不折腾

pip install 就完事了。不需要配置、不需要 GPU、不需要注册 API。CLI 和 Python API 都提供了，适合嵌入到自动化管道中。

几个使用场景

•  
• RAG 数据预处理： 给知识库喂文档前，先过一遍 MarkItDown 转 Markdown，再切 chunk 做 embedding
•  
• 办公自动化： 把收到的各种附件统一转 Markdown，方便全文搜索或归档
•  
• 日志分析： 批量处理 ZIP 压缩的日志文件，递归提取
•  
• 内容迁移： 把旧的 Word/PDF 文档批量迁移到 Obsidian 等 Markdown 笔记系统

小结

MarkItDown 不是那种炫技的项目——它解决的是一个朴实但高频的问题：文档格式转换。微软把它开源出来，对 RAG 和 LLM 生态是个实实在在的补充。12.5 万星不是白给的。

如果你也在折腾知识库、RAG 或者文档自动化，值得一试。

 GitHub: microsoft/markitdown
 安装: pip install 'markitdown[all]'