markitdown 实战指南一条命令把 PDF、Word、EPUB 转成 Markdown【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdownmarkitdown 是微软开源的 Python 文档转 Markdown 转换工具。它把 PDF、Word、PPT、Excel、EPUB、图片、音频一行命令转成保留结构的 Markdown。照这篇走完你能独立完成安装、跑通第一条转换、写出批量脚本。什么场景选 markitdown适合文档要喂给大模型、搭知识库文件不能离开本地转换必须离线批量处理一批 Office 文件提取 EPUB 书目信息、图片 EXIF 等元数据不适合像素级排版还原输出服务文本分析不是给你二次出版扫描版 PDF内置转换器只读文字层视频文件内置没有视频转换器markitdown 安装全量 [all] 与按需依赖要求 Python 3.10 到 3.14装之前先确认版本。一条命令装齐全部格式pip install markitdown[all] # 全部格式 # 或按需安装例如只要 PDF 和 Word pip install markitdown[pdf,docx]第一行装好 markitdown 命令行工具和 Python 包所有格式开箱即用第二行只装两个格式的依赖环境更轻。想从源码跑git clone https://gitcode.com/GitHub_Trending/ma/markitdown后执行pip install -e packages/markitdown[all]。第一条转换把 book.epub 变成 Markdownmarkitdown book.epub -o book.md这条命令读文件、按格式选转换器把结果写进 book.md。不加-o时结果直接打印到终端适合快速预览。打开 book.md你会看到正文顶部多了几行加粗字段markitdown 解析了 EPUB 里的 content.opf把书名、作者、出版社等元数据自动带出来放在正文前。这个意外收获让你不用手工补书目信息。场景一把文档喂给大模型要达成的效果一批论文、合同变成干净的Structured 文本直接进模型。cat example.pdf | markitdown这条命令从标准输入读字节流自动嗅探格式并打印结构化结果。嗅探不准时手动提示-x给扩展名-m给 MIME 类型-c给编码。上图是仓库测试素材里的一页论文。转换后标题、作者行、正文段落都会变成结构化文本可以直接喂模型。注意它针对的是带文字层的数字 PDF纯扫描件见文末边界清单。场景二表格与幻灯片变成可检索文本要达成的效果会议纪要、财务报表、课件批量进全文检索不用打开 Office。命令不变换文件名即可例如markitdown report.docx -o report.mdExcel 表格自动变成 Markdown 表格PPT 按幻灯片切分Word 保留标题层级文档里的公式转成 LaTeX 写法。转完即可直接全文检索。场景三图片元数据与音频转录要达成的效果非文档资产里的信息也不丢。图片会提取 EXIF 元数据设备、拍摄时间、坐标输出成 Markdown 字段wav、mp3 可以转录成文字需装[audio-transcription]YouTube 链接能直接传抓字幕后转换需装[youtube-transcription]。这种测试图传入 LLM 客户端后 markitdown 还能顺带生成一句图片描述。这张图就是仓库里专门测这个能力的样本。markitdown Python API 与批量转换写自动化流程用代码调核心就三行from markitdown import MarkItDown md MarkItDown() print(md.convert_local(data.xlsx).markdown)服务端环境优先用convert_local()它只处理本地文件。默认入口convert()还会接受远程 URI 和字节流入口是故意做得宽的。批量转换没有专门的目录模式套一层循环即可for f in *.pdf; do markitdown $f -o out/${f%.pdf}.md done它逐个转当前目录下的 PDF同名 .md 落到 out/ 里。插件用 -p 扩展 markitdown先看装了什么再用-p启用markitdown --list-plugins markitdown document.pdf -p官方 OCR 插件 给 PDF、Word、PPT、Excel 转换器加 OCR 能力配合 LLM 客户端读出文档里嵌入图片中的文字扫描件走这条路。没传 llm_client 时 OCR 会被静默跳过回退到内置转换器不会报错。要开发新格式照 样例插件模板 实现accepts()和convert()两个方法再注册入口点。复杂表格、扫描 PDF 要更高提取质量时用-d接 Azure Document Intelligence或--use-cu接 Azure Content Understanding。两者都是付费云 API内置转换器才是默认免费本地路径。⚠️ 参数速查与失败边界参数作用-o输出文件省略则打印到终端-x/-m/-c提示扩展名 / MIME 类型 / 编码stdin 时有用-p启用第三方插件-d/--use-cu改用 Azure Document Intelligence / Content Understanding 提取--keep-data-uris输出保留 base64 内嵌图片默认截断--list-plugins列出已安装插件维度markitdown在线工具手动复制粘贴位置完全本地 ✅上传第三方本地输出给 LLM 的结构化文本可读页面零散文本结构标题/表格/列表保留基础格式易断裂元数据EPUB 等自动带出多丢失无依赖Python 3.10–3.14浏览器网络无边界都按遇到 X改走 Y处理遇到纯扫描 PDF无文字层转出空内容 → 改走 OCR 插件加 LLM 客户端或-d接云端提取需要像素级排版 → 别硬扛 markitdown改走专业排版工具输入可能来自不受信任用户 → 先校验文件路径与网络目标改走convert_local()别直接喂convert()遇到视频文件 → 内置不支持改走--use-cu接 Azure Content Understanding某格式报转换失败 → 多半是缺可选依赖如 Excel 要装[xlsx]补上对应 extras 再试本地、离线、要结构化 Markdown 进大模型——选 markitdown装[all]覆盖绝大多数场景 要还原版式——换专业排版工具别指望它 有扫描件或视频——加 OCR 插件或云端端点再转 只是偶尔翻几个文件且内容不敏感——在线工具也行不必上全套。【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考