anydoc:把任意文档秒变 Markdown 的 Rust 神器

深度 · 开源工具解析

anydoc：把任意文档秒变 Markdown 的 Rust 神器

Firecrawl 出品 · 14 种格式全通吃 · 中位转换 4.4ms · 纯 Rust 无外部依赖

导读：在 LLM 与 RAG 的时代，文档就是知识库的血液。但现实里的文档格式千差万别 —— Word、PPT、Excel、PDF、RTF、EPUB…… 传统方案要么慢（LibreOffice headless 动辄上百毫秒），要么格式覆盖少（pandoc、markitdown），要么输出脏（残留各种格式噪音）。Firecrawl 开源的 anydoc 用纯 Rust 一次性解决了这些问题：在 100 个真实文档、14 种格式的基准测试中，它中位转换耗时仅 4.4ms，质量评分 81 分，是唯一覆盖全部 14 种格式、且在每个被评测格式上都拿第一的工具。本文带你全面拆解它。

一、anydoc 是什么

二、支持 8 大类、14 种格式

三、八大核心特性

① 一种输出，通吃所有格式

每种格式都先解析进同一个共享文档模型，再经过同一个 Markdown 序列化器输出。所以转义、表格、标题锚点、脚注的行为完全一致 —— 无论输入是 doc 还是 pptx。

② 完整还原文档结构

支持带锚点的标题、粗体/斜体/删除线、行内代码与代码块、链接与内部交叉引用、有序/无序/嵌套/任务列表（保留源文档的原始编号）、含合并单元格与表头的表格、引用块、脚注与尾注，甚至 PPT 的演讲者备注。

③ 嵌入资源不丢失

图片和嵌入对象在 Markdown 中渲染为 alt 文本，而原始字节会保留在文档模型上，并标注 media type；带外部 URL 的图片则变成标准 Markdown 图片语法。

④ 基于内容的格式检测

不靠文件扩展名，而是直接读取字节本身的特征 —— PDF 头、RTF 开放分组、OLE 流名、ZIP 包的 mimetype。文件名标错的也能正确转换。仅 CSV 因无特征标记而需扩展名辅助。

⑤ 极致速度

纯 Rust、零 ML 模型、零外部服务。单文档中位转换时间低于 5ms，比同类工具快一到两个数量级。

⑥ 绑定"不挡路"

Node.js 版在 libuv 线程池上运行，绝不阻塞事件循环；Python 版会释放 GIL，让其他线程继续跑；同时附带完整的 TypeScript 类型与 Python stubs。

⑦ PDF 内置支持

基于同生态的 pdf-inspector 库，文本型 PDF 可直接本地转换，无需任何 OCR 服务。

⑧ Agent 原生就绪

以 Agent Skill 形式发布，一条命令 npx skills add firecrawl/anydoc 即可让任意 Agent 学会读取办公文档。

四、性能基准：数据说话

评测方法论：LLM 评审（Claude Sonnet 5）以盲测方式对比两份输出与 ground truth（LibreOffice 渲染的前 6 页图片），从完整性、结构、格式、整洁度四个维度打分。每对输出会交换 A/B 位置判两次以消除位置偏差，共计 482 个判定。测速环境为 Ryzen 9 9950X3D + 64GB DDR5-6400。

结论一句话：anydoc 是本次对比中唯一覆盖全部 14 种格式的工具，在每一个被评测的格式上都拿到最高分，且转换速度比第二快的工具快了一个数量级。

五、五种方式上手

npx @firecrawl/anydoc report.docx

# Markdown 输出到 stdout

npx @firecrawl/anydoc slides.pptx -o slides.md

# 写入文件

npx @firecrawl/anydoc - --format csv < data.csv

# 从标准输入读取

npx skills add firecrawl/anydoc

# Claude Code / Codex / Cursor / OpenCode 通用

npm install @firecrawl/anydoc

import { toMarkdown, toMarkdownBytes } from '@firecrawl/anydoc';

// 从文件路径转换：

const md = await toMarkdown('report.docx');

// 从字节转换，格式自动检测：

const md2 = await toMarkdownBytes(bytes);

pip install firecrawl-anydoc

import anydoc

# 从文件路径转换：

markdown = anydoc.to_markdown("report.docx")

cargo add anydoc

// 从文件路径转换：

let markdown = anydoc::to_markdown("report.docx")?;

// 从字节转换，格式自动检测：

let md = anydoc::to_markdown_bytes(&bytes, None)?;

Format::from_bytes(&bytes); // Some(Format::Docx)

Format::from_extension("pptm"); // Some(Format::Pptx)

Format::from_path(Path::new("report.odt")); // Some(Format::Odt)

六、架构原理：一个模型收拢所有格式

输入

文档字节（docx / pptx / pdf …）

▼

第一步

格式检测（读字节特征，不看扩展名）

▼

第二步

格式解析器（每种格式一个）

▼

第三步

统一文档模型 Document

blocks · inlines · tables · footnotes · assets

▼

第四步

GFM 序列化器

▼

输出

干净的 Markdown

PDF 旁路：PDF 不走通用模型，而是单独由 pdf-inspector 直接转出 Markdown。

七、典型使用场景

附：工程健壮性

八、总结：为什么值得试一试

定位：把任意办公文档变成 LLM-ready 的 Markdown。
亮点：14 种格式全通吃、毫秒级速度、统一输出、纯 Rust 零依赖。
适合谁：做 RAG / 知识库、搜索、数据管道、AI Agent 的开发者。
怎么上手：一条 npx @firecrawl/anydoc file.docx 即可体验。