119K Star微软开源神器，轻松搞定Markdown文档转换
当你与豆包、DeepSeek、ChatGPT等AI对话时，是否注意到AI返回的内容复制到Word或PPT后，前面经常出现一堆#、*、-之类的符号？许多新手误以为是复制出错，其实这是Markdown格式。
目前，几乎所有主流AI（如ChatGPT、Gemini、Claude、豆包、DeepSeek等）都默认使用Markdown格式返回结果。换句话说，Markdown已成为人与AI沟通的"通用语言"。
Markdown本质是什么？
简单理解：Markdown是一种"纯文本写作、自动生成排版"的轻量标记语言。
通俗解释：
- 传统写作：先写内容，再逐个调整格式
- Markdown写作：边写边标记，格式自动生成
核心在于一套"符号语法"。示例：
# 一级标题
## 二级标题
### 三级标题
**加粗文字**
*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://example.com)
`行内代码`
Markdown已成为程序员和AI学习者的必备标记语言，其核心优势包括：
- 语法极简：仅需记住
#、*、-、[]()等符号，零基础几分钟即可掌握。例如：
| 目标 | 写法 |
|---|---|
| 标题 | # 标题内容 |
| 强调 | **重要词汇** |
| 列表 | - 第一条 |
| 步骤 | 1. 第一步 |
| 引用 | > 引用内容 |
| 代码 | 反引号包裹 |
| 表格 | 使用|符号 |
这些符号覆盖了90%的日常笔记场景。
- 纯文本编写：记事本、VSCode、Typora、公众号、GitHub、笔记软件均可编辑。
- 一次编写，到处渲染：一份Markdown可转为网页、博客、文档、笔记、公众号、PDF、电子书，格式永不乱。
- 专注内容：无需像Word那样调整字体和行距，符号管理排版。
现实痛点
学会Markdown只是第一步。日常工作中大量PDF、Word、PPT、图片、办公文档无法直接转换为规范Markdown。构建知识库、RAG应用或整理本地文档时，最大难题是：异构文档无法批量转为标准Markdown格式，手动复制排版耗时费力。
今天介绍微软开源工具：MarkItDown，专为此场景设计。
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
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：
- 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. 高级增强功能
- Azure Document Intelligence集成：调用微软Azure文档智能服务进行高精度转换
- LLM图像描述：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：支持管道输入输出，便于集成自动化流程
- 音频转写：语音转文字，适用于会议录音、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. 灵活集成方式
- 命令行（CLI）：适合快速转换和脚本自动化
- 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：用户上传PDF/Word后，提取内容供LLM分析回答
- 内容迁移：批量将旧格式文档转为Markdown用于静态网站生成
- 数据分析：提取Excel/CSV表格为Markdown表格，便于Notebook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+
- 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
# 全部功能（推荐初次使用）
pip install 'markitdown[all]'
# 按需安装
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
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
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)
案例1：转换Excel文件
# 方式1
markitdown test.xlsx > test.md
# 方式2（推荐）
markitdown test.xlsx -o test.md
案例2：管道输入
cat 目标文件.pdf | markitdown
案例3：批量转换
# 批量转换PDF
find ./docs -name '*.pdf' | xargs -I{} markitdown {} -o {}.md
# 批量转换Word文件
find ./docs -name '*.docx' -exec markitdown {} -o ./output/{}.md \;
# Shell循环
for file in *.pdf; do markitdown "$file" -o "${file%.pdf}.md"; done
案例4：OCR、音频、字幕转换
# 图片OCR
markitdown screenshot.png --enable-ocr -o ocr_notes.md
# 音频转文字
markitdown meeting.mp3 -o transcript.md
# YouTube字幕
markitdown https://www.youtube.com/watch?v=xxx -o subtitles.md
案例5：PDF含OCR识别
安装插件和客户端：
pip install markitdown-ocr
pip install openai
Python代码：
from markitdown import MarkItDown
from openai import OpenAI
md = MarkItDown(
enable_plugins=True,
llm_client=OpenAI(),
llm_model="gpt-4o"
)
result = md.convert("包含图片的文档.pdf")
with open("输出文档.md", "w", encoding="utf-8") as f:
f.write(result.text_content)
