Microsoft MarkItDown：将任意文件转换为 Markdown 的 Python 利器

Sat, 11 Apr 2026 00:00:00 +0000

项目简介

microsoft/markitdown 是微软开源的一款轻量级 Python 工具，用于将各种文件格式转换为 Markdown 格式，专为 LLM（大型语言模型）及相关文本分析流程设计。2026 年 4 月 11 日登上 GitHub Trending 今日第一，累计 Star 数突破 100,637，今日新增 2,352 Stars。

与 textract 类似，MarkItDown 专注于保留文档重要结构（标题、列表、表格、链接等），而非追求像素级高保真还原。

支持的文件格式

格式类型	具体支持
文档	PDF、PowerPoint（PPTX）、Word（DOCX）、Excel（XLSX/XLS）
图片	EXIF 元数据提取 + OCR 文字识别
音频	EXIF 元数据 + 语音转录
网页/文本	HTML、CSV、JSON、XML
其他	ZIP 文件、YouTube URL、EPub 等

为什么选择 Markdown？

Markdown 接近纯文本，标记最少但仍能表示文档结构
主流 LLM（如 GPT-4o）原生"理解" Markdown，训练数据中包含大量 Markdown 格式文本
Markdown 约定具有极高的 token 效率，非常适合喂给大模型

安装

# 安装所有可选依赖（推荐）
pip install 'markitdown[all]'

# 按需安装，如只需 PDF + DOCX + PPTX
pip install 'markitdown[pdf,docx,pptx]'

环境要求：Python 3.10+

快速上手

命令行

# 转换 PDF 并输出到文件
markitdown path-to-file.pdf -o document.md

# 管道模式
cat path-to-file.pdf | markitdown

# 启用插件（如 OCR）
markitdown --use-plugins path-to-file.pdf

Python API

from markitdown import MarkItDown

md = MarkItDown(enable_plugins=False)
result = md.convert("report.xlsx")
print(result.text_content)

结合 LLM 进行图片描述

from markitdown import MarkItDown
from openai import OpenAI

client = OpenAI()
md = MarkItDown(llm_client=client, llm_model="gpt-4o")
result = md.convert("slides.pptx")
print(result.text_content)

Docker

1
2

docker build -t markitdown:latest .
docker run --rm -i markitdown:latest < your-file.pdf > output.md

扩展能力

MCP 服务器：通过 markitdown-mcp 与 Claude Desktop 等 LLM 应用深度集成
插件系统：支持第三方插件，如 markitdown-ocr 可通过 LLM Vision 实现 PDF/DOCX/PPTX/XLSX 中图片的 OCR
Azure 文档智能：可选集成 Microsoft Document Intelligence，进一步提升转换质量

项目信息

属性	内容
开源协议	MIT License
仓库地址	https://github.com/microsoft/markitdown
最新版本	v0.1.5
Stars	100,637+
Forks	6,170+
主要语言	Python (99.7%)

总结

MarkItDown 是一个将"任意文档 → Markdown"问题解决得非常干净的工具，尤其适合需要将大量历史文档喂给 LLM 的场景。配合 MCP 服务器，可以轻松集成到 Claude Desktop 等 AI 工作流中。对于构建 RAG 系统、文档索引管道的开发者来说，值得纳入工具箱。

文档转换 on AI