MarkItDown (Microsoft)

MarkItDown 是微软开源的轻量级 Python 工具，用于将各种文件格式转换为 Markdown，供 LLM 和文本分析管线使用。重点保留文档的重要结构和内容（标题、列表、表格、链接等），输出面向文本分析工具消费，追求 token 效率，内置 MCP 服务器支持。

核心功能

• 多格式支持：PDF、PowerPoint、Word、Excel、图片（EXIF+OCR）、音频（语音转写）、HTML、CSV/JSON/XML、ZIP、YouTube URL、EPub 等
• 命令行工具：直接通过 markitdown 命令转换文件，支持管道输入和输出文件指定
• Python API：可编程接口，支持本地文件、远程URL、字节流转换，支持插件扩展
• Azure AI 集成：支持 Azure Document Intelligence 和 Azure Content Understanding 进行高质量云端转换
• LLM 增强：可接入 LLM 客户端（如 GPT-4o）生成图片描述，支持第三方插件（如 markitdown-ocr）
• MCP 服务器：内置 MCP 协议支持，可直接作为工具集成到 Claude、Cursor 等 AI 客户端

适用场景

• 为 LLM/RAG 系统准备文档数据，将 Office/PDF 等格式转为 Markdown
• 批量文件转换和文本提取管线，文档数字化处理
• 音频/视频内容转写（配合 Azure Content Understanding）
• 结构化字段提取（发票金额、收据日期等，通过自定义分析器）
• 通过 Docker 部署为文档转换微服务
• AI 编码助手直接读取和分析各种格式的文档

安装方式

前置要求：Python 3.10+

# 安装全部可选依赖
pip install 'markitdown[all]'

# 按需安装特定格式依赖
pip install 'markitdown[pdf,docx,pptx]'

# 命令行使用
markitdown path-to-file.pdf > document.md
markitdown path-to-file.pdf -o document.md

# Python API 使用
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert('test.xlsx')
print(result.text_content)

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

许可证：MIT
GitHub Stars：171k+