10 天暴涨 1.5 万 Star:
Firecrawl 开源 anydoc,把任何文档「榨」成干净 Markdown

firecrawl/anydoc · ⭐ 17.4K · MIT · 纯 Rust · 14 种格式全支持

平时用 Claude Code、Codex 干活,总免不了让 AI 帮忙处理各种文件 —— 把里面的内容提取出来。可每种格式都得换不同的工具,效率低得让人抓狂。

更糟的是质量参差不齐:有时表格丢了一半,有时公式全乱了,甚至有的文件根本提不出来。

这事对做 RAG 知识库、给大模型喂文档训练的人来说,影响特别大 —— 文档解析这一环最容易出问题,还最不容易被发现。表格转丢一半,检索直接就不准了。最近 Firecrawl 团队开源的 anydoc,就是冲着这个痛点来的,短短 10 天狂揽 15000+ star。

01它到底是什么

很多人认识 Firecrawl,是因为它能抓网页、转成大模型易读的 Markdown。这次的 anydoc,在我看来是把「本地文档」这一块的处理也给补上了。

一句话概括:把 Word、PPT、Excel、PDF、EPUB 等本地文件,一键转成干净的 Markdown,直接喂给 AI 或 RAG 知识库。

核心信息:

连 2003 年的老 .doc、.ppt 这些古老文件都吃得下;docx/pptx/xlsx 常见格式自不必说,连 rtf、odt、epub 这些小众冷门格式,也照样能转成干净的 Markdown。

02实现思路才是亮点

我看了下它的实现思路,觉得这才是最值得聊的地方。它没有对每种格式都硬写一套「XX 转 Markdown」,而是搞了一步中间稿:

这样设计的好处很实在:维护变得容易多了。比如转 Markdown 时发现某个表格转换有 Bug,直接跟着内容随手就能修好,不用在一堆格式解析里翻来翻去。

还有个细节挺妙:它识别文件格式压根不看扩展名,而是读文件字节里的特征标记。所以哪怕文件名标错了(把 xlsx 存成了 .doc 这种),它也照样认得出来、不会翻车。

03又快又全:官方横评拿双第一

速度是它的强项。得益于纯 Rust 实现,不依赖任何 ML 模型和外部服务,转换最快仅需 4.4 毫秒。

官方做了个实测:拿 100 份真实文档,和 libreoffice、markitdown、pandoc、docling 这些同类工具横向对比 ——

细节处理也没含糊:

04三种用法,总有一款适合你

05如实说说它的局限

06写在最后

这两年身边不少朋友都在做 RAG 知识库、开发 Agent 应用。文档解析这块,最容易出问题、还最不容易被发现 —— 表格转丢一半,检索直接就不准了,你还蒙在鼓里。

Firecrawl 的路子挺清晰:先把网页转 Markdown 这个入口占了,现在又补上本地文档转 Markdown。这两个「给 AI 喂数据」的重要入口,算是都被它握在手里了。

往后,它会不会像 ffmpeg 在音视频领域那样,成为 AI 数据管道里的默认底座?还未可知。但从目前看,大家的选择很朴素 —— 谁家工具做得又快又干净,就用谁的。