MarkItDown：把20+种文档格式转成Markdown喂给LLM

MarkItDown：把20+种文档格式转成Markdown喂给LLM

【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

当你需要把一份PDF报告转成Markdown再喂给LLM时，一行命令就够了。MarkItDown是一款Python文档转换工具，支持PDF、Word、Excel、图片、音频等20多种格式，输出会保留文档的标题、列表、表格和链接。

项目定位

MarkItDown由微软AutoGen团队开发，是一个轻量Python工具（要求Python 3.10+，MIT协议）。它在工具链里的位置是"文档到LLM之间的适配器"：不追求像素级还原版式，而是保留标题、列表、表格、链接等结构，给下游大模型和文本分析管线一份干净的输入。

仓库自带的测试资产里就有大量真实输入文档，比如这篇学术论文首页——正是它最常处理的PDF输入。

核心能力拆解

格式覆盖与按需安装依赖

内置转换器按格式拆分在converters/目录下，覆盖PDF、PPTX、DOCX、XLSX、图片、音频、HTML、CSV/JSON/XML、ZIP、EPUB、Outlook邮件，连YouTube视频转录都有。

pip install 'markitdown[all]' # 全量安装 pip install 'markitdown[pdf, docx]' # 只装PDF和Word支持

依赖按格式分组的意义在于装得少：只用Word就加[docx]，体积比全量安装小很多。

CLI、管道、Python三种调用方式

同一个转换引擎，三种调用方式任选：

markitdown report.pdf -o report.md cat report.pdf | markitdown

from markitdown import MarkItDown print(MarkItDown().convert("test.xlsx").text_content)

批量脚本里循环调用convert()即可；想收紧输入面，还可以换用convert_local()或convert_stream()。

LLM增强的图片描述

传入OpenAI兼容客户端后，它会给图片生成文字描述，配合OCR插件还能识别文档内嵌图片里的文字：

from openai import OpenAI md = MarkItDown(llm_client=OpenAI(), llm_model="gpt-4o")

不传llm_client时该能力静默关闭，回退到内置转换器，不影响基础转换。

一个完整工作流：PDF到LLM可用的Markdown

以"把研究报告PDF交给LLM分析"为例，三步走完：

markitdown research_report.pdf -o analysis.md head -n 50 analysis.md cat analysis.md | your_llm_app

第一条命令完成转换，得到保留标题与表格的Markdown；第二条抽查结构质量；第三条直接把文本流进下游应用，或在Python管线里写库。

生态与扩展

扩展能力拆在独立包里，核心包保持轻量：

• pip install markitdown-ocr：OCR插件，给PDF、DOCX、PPTX、XLSX增加图片文字提取
• Azure Document Intelligence：CLI加-d -e <endpoint>，云端版面分析，扫描件和复杂表格质量更高
• 示例插件：实现一个DocumentConverter即可新增格式
• markitdown-mcp：MCP服务器，让Agent应用直接调用转换

收尾：什么时候选它

MarkItDown的价值在于把二进制文档变成LLM友好的Markdown，让你的管线不用关心输入格式。

需要批量把PDF、Office文档、图片变成文本输入时，它是省事的选择；如果你要的是给人看的、像素级还原排版的转换，那应该选专门的排版转换工具。

【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