MarkItDown

MarkItDown 是什么

MarkItDown 是微软开源的轻量级 Python 工具，用于把各类文件转换为 Markdown，主要服务于 LLM 与文本分析流水线。它并不追求排版级的高保真还原，而是尽量保留文档结构（标题、列表、表格、链接等），让输出更适合被模型消费。

支持的格式

• PDF、Word、PowerPoint、Excel
• 图片（EXIF 元数据与 OCR）
• 音频（EXIF 元数据与语音转写）
• HTML、CSV、JSON、XML 等文本格式
• ZIP（遍历内部文件）、EPub、YouTube URL 等

为什么用 Markdown

Markdown 接近纯文本、标记极少，却能表达文档结构；主流 LLM 对 Markdown 有良好的原生理解，且 Markdown 的 token 效率较高，适合作为模型输入的统一格式。

快速上手

安装全部可选依赖：

pip install 'markitdown[all]'

也可以按需安装，例如只处理 PDF、DOCX、PPTX：

pip install 'markitdown[pdf, docx, pptx]'

命令行转换：

markitdown path-to-file.pdf > document.md
markitdown path-to-file.pdf -o document.md
cat path-to-file.pdf | markitdown

Python 调用示意：

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("example.docx")
print(result.markdown)

扩展能力

插件机制

插件默认关闭，可通过 --list-plugins 查看、--use-plugins 启用。官方示例插件 markitdown-ocr 借助 LLM Vision 为 PDF、DOCX、PPTX、XLSX 中的内嵌图片补充 OCR 能力。

Azure 增强

可选用 Azure Document Intelligence 或 Azure Content Understanding 获得更高质量的云端解析，后者还支持结构化字段抽取（YAML front matter）以及音频、视频等多模态内容。

注意事项

MarkItDown 以当前进程权限执行 I/O，在不可信环境中应做好输入清洗，并尽量调用范围最小的 convert_* 接口（如 convert_stream()、convert_local()）。若目标是高保真的人工阅读级转换，它可能不是最佳选择。