两个开源工具,把 PDF、Word、Excel 等格式变成 Markdown

字数 353，阅读大约需 2 分钟

Firecrawl 最近开源了 PDF Inspector 和 AnyDoc 两个项目，目标是解决 AI Agent / RAG 场景里的一个基础问题：

如何把各种文档快速、准确地转换成 AI 能理解的 Markdown。

https://github.com/firecrawl/pdf-inspector

PDF Inspector 是一个 Rust 编写的 PDF 分析库。它不会直接把所有 PDF 扔给 OCR，而是先分析 PDF 内部结构。

例如一份 40 页文档，其中35页是真正的文本，另外5页是图片，那么它会分别处理，降低成本。

OCR 的部分使用 PP-OCRv6 本地模型，就是飞桨。

https://github.com/firecrawl/anydoc

AnyDoc 也能处理 PDF，不过还可以处理 word、excel、ppt、epub、csv 等格式，最大特色是让这些文档拥有统一的输出结构。包括：

让不同文档的这些内容（粗体、斜体、删除线、代码块、列表等）都有统一的结构。

而 PDF 支持是依靠上面的 pdf-inspector 项目。

另外拥有 Agent skill 可以让AI来操作。

纯本地项目，不需要任何 API。

只要你经常需要让AI来处理各类文档，先用它来处理一遍，可以更高效、更准确，以及更省钱。