微软开源markdown，多格式文件一键转换

不知道大家跟豆包、DeepSeek、ChatGPT这些AI对话的时候，有没有注意到——

AI返回给你的内容，复制到Word、PPT里，前面经常有一堆 #、*、- 这样的符号？

很多新手小白看到这些"乱码"就懵了，以为是复制出了问题。

其实不是，这其实就是 Markdown 格式。

现在，几乎所有主流的AI，都默认用 Markdown 格式返回结果。包括国外的 ChatGPT、Gemini，Claude也包括国内的豆包、DeepSeek 等等。

换句话说：Markdown，已经成为人和AI沟通的"共同语言"。

Markdown 到底是啥？

简单理解：Markdown 是一种「用纯文本写作、自动生成排版」的标记语言。

用大白话翻译一下：

• 常规写作：先写内容，写完再一个个调格式
• Markdown 写作：边写边标记，格式自动生成

简单来说，Markdown 就是一套"符号语法"。

比如这样：

# 一级标题
## 二级标题
### 三级标题

**这是加粗文字**
*这是斜体文字*

- 无序列表项1
- 无序列表项2

1. 有序列表一
2. 有序列表二

[链接文字](https://xxx.com)

![图片描述](图片地址)

`行内代码`

markdown现如今已成为程序员和学习AI必备的标记语言，它的核心优势主要体现在几个方面：

1、语法极简

就记几个符号 #``*``-``[]()，零基础 几分钟也能学会。比如：

我想做的事	怎么写
写一个标题	# 标题内容
强调某个词	**重要词汇**
写一个列表	- 第一条
写一个步骤	1. 第一步
引用别人的话	> 引用内容
展示代码或提示词	用反引号包起来
做一个对比表格	`

就这几个，基本也能覆盖90% 的日常笔记需求。

2、纯文本编写

用记事本、VSCode、Typora、公众号、GitHub、笔记软件都能写。

3、一次编写，到处渲染

写一份 Markdown，可转：网页、博客、文档、笔记、公众号、PDF、电子书，格式永远不乱。

4、专注内容，不用管排版

不用像 Word 那样调字体、调行距，只管写内容，符号搞定排版。

现实中的痛点

学会 Markdown 只是第一步，但日常工作中大量的 PDF、Word、PPT、图片、办公文档，没法直接变成规范的 Markdown，想要搭建知识库、RAG 应用、整理本地文档，

最大的难题是：各类异构文档无法批量转为标准 Markdown 格式，手动复制排版费时又费力。

今天，给大家分享一款软微开源神器：MarkItDown ，这款工具正是为解决这一问题而生的神器。

MarkItDown介绍

MarkItDown 是微软 AutoGen 团队开源的轻量级 Python 工具（MIT 协议），核心目标是将PDF、Word、PPT、Excel、图片、音频、HTML 等 20+ 异构格式，一键转换为结构完整、LLM 友好的 Markdown，解决 RAG / 知识库项目中 “文档预处理耗时、格式错乱、结构丢失” 的痛点。

功能特性

1. 多格式全覆盖，兼容主流与小众

支持办公文档、图片、音频、网页、电子书、压缩包六大类 20+ 格式，无需额外工具，一站式转换：

• 办公：PDF、DOCX、PPTX、XLSX/CSV
• 图片：JPG/PNG/GIF（OCR 文字提取）
• 音频：MP3/WAV（语音转文字）
• 网页：HTML、YouTube（字幕提取）
• 其他：JSON/XML、ZIP（解压遍历）、EPUB

2. 高级强增功能

• Azure Document Intelligence 集成：可调用微软 Azure 文档智能服务进行高精度转换
• LLM 图像描述：支持接入 OpenAI 等 LLM，为图片/PPT 中的图像生成文字描述
• OCR 插件：通过 markitdown-ocr 插件，利用 LLM Vision 提取 PDF/Word/PPT 中嵌入图片的文字
• 流式处理：支持管道（pipe）输入输出，方便集成到自动化流程
• 音频转写：语音转文字，支持会议录音、播客
• YouTube 字幕：提取视频字幕，生成 Markdown 文本
• ZIP 解压遍历：自动解压 ZIP，转换内部所有文件

3. 灵活的集成方式

• 命令行（CLI）：适合快速转换、脚本自动化

• Python API：适合嵌入 Python 项目、自定义处理逻辑

• MCP 服务器：支持 Claude Desktop 等 LLM 应用远程调用

适用场景

• RAG 系统构建：将企业知识库文档转为 Markdown 供向量数据库存储
• AI 对话助手：让用户上传 PDF/Word 后，提取内容供 LLM 分析回答
• 内容迁移：将旧格式文档批量转为 Markdown 用于静态网站生成（如 Hugo、MkDocs）
• 数据分析：提取 Excel/CSV 中的表格为 Markdown 表格，方便在 Notebook 中展示
• 音视频处理：提取 YouTube 视频字幕或会议录音文字，生成会议纪要

安装方式

环境要求

• Python 3.10 或更高版本
• 建议使用虚拟环境

1. 创建虚拟环境（推荐）

# 标准 venv
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# 或使用 uv（更快）
uv venv --python=3.12 .venv
source .venv/bin/activate

2. 安装 MarkItDown

# 仅支持 PDF、DOCX、HTML 等基础格式
pip install markitdown

# 安装全部功能（推荐初次使用），包含 OCR、语音转写、Office 全格式等所有依赖：
pip install 'markitdown[all]'

# 或按需安装特定格式（更轻量）
pip install 'markitdown[pdf,docx,pptx]'      # 仅 PDF/Word/PPT
pip install 'markitdown[xlsx]'               # 仅 Excel
pip install 'markitdown[audio-transcription]' # 仅音频转录
pip install 'markitdown[youtube-transcription]' # 仅 YouTube

3. 从源码安装（开发者）

git clone https://github.com/microsoft/markitdown.git
cd markitdown
pip install -e "packages/markitdown[all]"

4. Docker 方式

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

使用方式

安装好 MarkItDown 后，打开命令行窗口输入命令即可对文件进行转换，支持多种操作方式，

命令行（CLI）

# 基础转换
markitdown path-to-file.pdf > document.md

# 指定输出文件
markitdown path-to-file.pdf -o document.md

# 管道输入
cat path-to-file.pdf | markitdown

# 启用插件
markitdown --use-plugins path-to-file.pdf

# 使用 Azure Document Intelligence
markitdown path-to-file.pdf -o doc.md -d -e "<endpoint>"

# 查看已安装插件
markitdown --list-plugins

Python API

from markitdown import MarkItDown

# 基础用法
md = MarkItDown()
result = md.convert("test.xlsx")
print(result.text_content)

# 启用插件
md = MarkItDown(enable_plugins=True)
result = md.convert("document.pdf")

# 使用 Azure 文档智能
md = MarkItDown(docintel_endpoint="<your-endpoint>")
result = md.convert("test.pdf")

# 使用 LLM 进行图像描述（需要 OpenAI 等客户端）
from openai import OpenAI

client = OpenAI()
md = MarkItDown(
    llm_client=client,
    llm_model="gpt-4o",
    llm_prompt="optional custom prompt"
)
result = md.convert("example.jpg")
print(result.text_content)

以下为常用案例：

案例1：转换 Excel 文件

比如，将 Excel 文件 test.xlsx 转换为 Markdown 文件，两种常用命令：

# 方式1：输出到指定 Markdown 文件
markitdown test.xlsx > test.md
# 方式2：使用 -o 参数指定输出文件（更规范，推荐）
markitdown test.xlsx -o test.md

案例2：管道输入方式转换

适用于批量处理或结合其他命令使用，例如转换 PDF 文件并直接查看结果：

cat 目标文件.pdf | markitdown

案例3：支持批量转换

通过命令行实现 CI/CD 集成，批量处理文件夹内所有 PDF 文件，可直接复制使用的实操命令：

# 批量转换 ./docs 目录下所有 PDF 文件，输出为 原文件名.pdf.md
find ./docs -name '*.pdf'; | xargs -I{} markitdown {} -o {}.md
# 批量转换 ./docs 目录下所有 Word 文件，输出到指定文件夹
find ./docs -name '*.docx'; -exec markitdown {} -o ./output/{}.md

# 批量转换（Shell 示例）
for file in *.pdf; do markitdown "$file" -o "${file%.pdf}.md"; done

案例4：支持OCR、音频、字幕等转换

# 图片 OCR 提取文字
markitdown screenshot.png --enable-ocr -o ocr_notes.md

# 音频转文字
markitdown meeting.mp3 -o transcript.md

# 提取 YouTube 字幕
markitdown https://www.youtube.com/watch?v=xxx -o subtitles.md

案例5：转换 PDF 文件（含 OCR 识别）

若 PDF 包含嵌入式图片或扫描内容，可启用 markitdown-ocr 插件进行 OCR 识别，步骤如下：

# 先安装插件及 LLM 客户端
pip install markitdown-ocr
pip install openai


# 使用 Python API 转换（支持 OCR 识别）
from markitdown import MarkItDown
from openai import OpenAI
md = MarkItDown(
enable_plugins=True,
llm_client=OpenAI(),
llm_model="gpt-4o",  # 需使用支持视觉能力的 LLM 模型
)
result = md.convert("包含图片的文档.pdf")
# 保存转换结果
with open("输出文档.md", "w", encoding="utf-8") as f:
f.write(result.text_content)

写在最后

在 LLM 应用爆发式增长的今天，将非结构化文档转为 AI 可理解的结构化文本是刚需。MarkItDown 正是为此场景而生，从办公文档到音视频，从网页到压缩包，一个工具覆盖几乎所有常见格式，无需在多个工具间切换。相比传统工具，它更懂 AI 的需求。

作为微软开源项目，代码质量、维护活跃度和社区支持都有保障。如果你正在构建基于 LLM 的应用，或需要将大量文档转为 AI 友好的格式，MarkItDown 是目前最值得尝试的开源工具之一。

项目地址：https://github.com/microsoft/markitdown