markitdown 离线格式转换：一条命令把 PDF、Word、Excel 变结构 Markdown

markitdown 离线格式转换一条命令把 PDF、Word、Excel 变结构 Markdown【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/markitdownmarkitdown 是把 PDF、Word、Excel、EPUB、图片、音频转成 Markdown 的离线工具。读完本文你能装好跑通、写出批量转换循环、给扫描件选对 OCR 路线。先判断拿来做什么 / 别拿它做什么适合文档进大模型问答、建知识库——输出是结构化 Markdowntoken 省全程本地离线。前提Python 3.10–3.14装之前先确认环境。避开像素级排版还原。输出是给文本分析消费的不是拿去做二次出版的。注意扫描版 PDF。内置转换器只读文字层纯图片的扫描件会转出空内容需要 OCR 插件或云端端点。注意格式按需装配。对应可选依赖没装时该格式直接不可用报的是转换失败别当成文件坏了。2 分钟跑通从安装到第一条命令第 1 步安装。一条命令装齐所有格式支持pip install markitdown[all]装完得到markitdown命令行工具和 Python 包。只要几种格式就按需装比如pip install markitdown[pdf,docx]只覆盖 PDF 和 Word。第 2 步跑第一条命令。markitdown book.epub -o book.md它按格式选转换器把结果写进book.md不加-o时结果直接打印到终端适合快速预览。手头没有 EPUB 的话先 clone 仓库https://gitcode.com/GitHub_Trending/ma/markitdown把文件名换成自带的测试素材 packages/markitdown/tests/test_files/test.epub 即可。跑通后你会看到book.md开头是Title:、Author:这类加粗元数据字段从 EPUB 的 content.opf 自动带出正文的标题、列表、表格全部变成对应的 Markdown 结构——看到这些就算成。场景实操markitdown 转 Markdown 能做什么文档进大模型问答大模型原生认 Markdowntoken 消耗也低文档转 Markdown是喂料的标准动作。带文字层的数字 PDF、Word 合同、HTML 网页、CSV/JSON 文本类格式都能转管道输入也支持cat example.pdf | markitdown它从标准输入读字节流并自动嗅探格式-x、-m、-c参数可以手动提示扩展名、MIME 类型和编码输出结构化文本。下面是项目测试素材里的一页学术论文转完后标题、作者行、正文段落都会变成结构化文本批量转换表格和幻灯片进文本库Excel 自动变 Markdown 表格PPT 按幻灯片切分Word 保留标题层级文档里的公式转成 LaTeX。命令不变换文件名即可markitdown report.docx -o report.md会议纪要、财务报表批量进文本库后可以直接全文检索不用打开 Office 软件。图片元数据与音频转录图片会提取 EXIF 元数据设备、拍摄时间、坐标输出成 Markdown 字段wav、mp3 能转录成文字需[audio-transcription]依赖YouTube 链接直接传先抓字幕再转换需[youtube-transcription]依赖。上面这种仓库里的测试图传入 LLM 客户端后markitdown 还能顺带生成一句图片描述。进阶markitdown API、批量转换与插件Python API。写自动化流程时用代码调核心就三行from markitdown import MarkItDown md MarkItDown() print(md.convert(data.xlsx).markdown)服务端环境建议改用convert_local()只处理本地文件——convert()设计上接受本地文件、远程 URI 和字节流入口是故意做得宽的。 批量转换。没有专门的目录模式套一层循环就行for f in *.pdf; do markitdown $f -o out/${f%.pdf}.md done它逐个转当前目录下的 PDF输出同名.md到out/里。插件机制。先看已装了什么再加-p启用markitdown --list-plugins markitdown document.pdf -p官方 markitdown-ocr 插件packages/markitdown-ocr/能给 PDF、Word、PPT、Excel 转换器加 OCR 能力。Python API 里传入llm_client和llm_model它就读出文档里嵌入图片中的文字——扫描件走这条路不传llm_client时 OCR 环节静默跳过交回内置转换器照常完成转换不会失败。新格式也一般走插件路线官方开发模板在 packages/markitdown-sample-plugin/核心是实现accepts()和convert()两个方法再注册入口点。云端端点可选。⚠️ 对复杂表格、扫描 PDF 需要更高质量提取时加-d接 Azure Document Intelligence或--use-cu接 Azure Content Understanding都是付费云 API内置转换器才是默认的免费本地路径。参数速查参数作用-o指定输出文件缺省打印终端-x文件扩展名提示stdin 有用-m/-cMIME 类型 / 编码提示-p启用第三方插件-d/--use-cu改用 Azure 云提取--keep-data-uris保留 base64 内嵌图片--list-plugins列出已装插件维度markitdown在线转换工具手动复制粘贴处理位置完全本地 ✅上传第三方本地输出目标结构化 Markdown可读页面零散文本结构保留标题/表格/列表基础格式容易断裂元数据EPUB 等自动带出大多丢失没有依赖Python 3.10–3.14浏览器网络无它做不到什么扫描版 PDF内置转换器只读文字层纯图片页面转出空内容。加 markitdown-ocr 插件并传 LLM 客户端或接云端端点。排版还原输出服务文本分析别拿它做出版级文档转换那种需求找专业排版工具。不受信任的输入它按当前进程权限做 I/O和open()、requests.get()一个性质。服务端应用若输入可能来自用户先做校验优先调最窄入口convert_local()别直接喂convert()。视频内置转换器没有视频支持需要 Azure Content Understanding 端点。缺可选依赖没装对应 extra如[xlsx]时该格式直接不可用报转换失败别误判为文件损坏。要本地、离线、结构化 Markdown——选 markitdown要还原版式或处理扫描件——换专业排版工具或 OCR 插件别硬扛。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考