[Github发现] MarkItDown – 微软开源的文档转 Markdown 工具，94.9k Stars

MarkItDown 是微软 AutoGen Team 开源的一款轻量级 Python 工具，核心功能是将 PDF、Word、Excel、PowerPoint 等常见办公文档直接转换为 Markdown 格式，专为 LLM 文本分析管道设计。

GitHub 仓库目前保持 94.9k Stars、5.8k Fork 的高热度，项目基于 MIT 许可证开源。

相关链接

• GitHub 仓库：https://github.com/microsoft/markitdown
• PyPI 安装：pip install 'markitdown[all]'
• MCP 服务：https://github.com/microsoft/markitdown/tree/main/packages/markitdown-mcp

MarkItDown 是什么

MarkItDown 由微软 AutoGen Team 开发，最初动机是解决”让 LLM 高效读取办公文档”这个痛点。市面上文档转换工具并不少，但大多专注视觉保真度（输出的 Markdown 排版漂亮但结构混乱），而 MarkItDown 的设计目标截然不同——输出专为文本分析优化的 Markdown，保留标题、列表、表格、链接等结构信息，舍弃无意义的装饰性样式。

这个定位也解释了为什么 MarkItDown 选择与 textract 对标但路线不同：textract 输出偏向人类阅读，而 MarkItDown 输出偏向机器理解。项目从 0.0.1 到 0.1.0 经历了一次 Breaking Changes，核心接口改为流式读取（不再创建临时文件）。

支持的文件格式

• PDF：支持扫描件 OCR（需安装 markitdown-ocr 插件）
• Word（.docx）
• Excel（.xlsx / .xls）
• PowerPoint（.pptx）
• 图片：EXIF 元数据提取 + OCR 文字识别
• 音频：EXIF 元数据 + 语音转录
• HTML
• 文本格式：CSV、JSON、XML
• ZIP 文件：自动遍历压缩包内所有支持的文件
• YouTube 视频：提取字幕转录文本
• EPub 电子书

为什么选择 Markdown？

主流 LLM（包括 GPT-4o）在训练过程中接触了大量 Markdown 格式文本，对 Markdown 语法理解非常好，甚至会在回复中自发使用 Markdown 标记。这意味着用 Markdown 作为文档交换格式，LLM 能更准确地捕捉原文结构——标题层级、表格行列、列表嵌套关系都能完整保留。另一个实际好处是 Markdown 的 token 效率很高。

快速部署

pip 安装（推荐）

pip install 'markitdown[all]'

如果只需要部分格式支持，可以按需指定依赖组：pip install 'markitdown[pdf,docx,pptx]'。可选依赖组包括：[pptx]、[docx]、[xlsx]、[xls]、[pdf]、[outlook]、[az-doc-intel]（Azure 文档智能）、[audio-transcription]、[youtube-transcription]。

Docker 方式

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

源码安装

git clone [email protected]:microsoft/markitdown.git
cd markitdown
pip install -e 'packages/markitdown[all]'

使用方式

命令行

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

Python API

from markitdown import MarkItDown
md = MarkItDown(enable_plugins=False)
result = md.convert("document.xlsx")
print(result.text_content)

启用 OCR 插件（处理扫描 PDF）

pip install markitdown-ocr openai
from markitdown import MarkItDown
from openai import OpenAI
md = MarkItDown(enable_plugins=True, llm_client=OpenAI(), llm_model="gpt-4o")
result = md.convert("scanned_document.pdf")
print(result.text_content)

MCP 服务器：与 LLM 应用深度集成

MarkItDown 还提供了 markitdown-mcp 包，这是基于 Model Context Protocol 的服务器实现，允许在 Claude Desktop 等支持 MCP 的 LLM 应用中直接调用文档转换功能。

适用人群

• RAG 系统开发者：需要将办公文档入库做检索增强
• AI 应用工程师：文档预处理的轻量选择
• 知识库建设者：批量将历史文档转为 Markdown
• 数据分析师：快速提取 Excel/CSV 中的结构化数据

总结

MarkItDown 的核心优势在于专注 LLM 友好的文档转换，而不是追求视觉完美的排版输出。它解决了文档 → 文本分析管道中最麻烦的一环：结构保留。配合 OCR 插件可以处理扫描件，配合 MCP 服务器可以无缝嵌入 AI 工作流，加上背靠微软 AutoGen 团队持续维护，94.9k Stars 的高热度也印证了社区对这类工具的真实需求。