微软开源的 MarkItDown 教程:一行命令把 Word/PDF/Excel 转成 Markdown

微软开源的 MarkItDown 教程:一行命令把 Word/PDF/Excel 转成 Markdown

MarkItDown 封面

🔥 为什么突然都在聊这个工具?

做 AI 应用的兄弟最近应该都遇到过这个场景:老板说”把这 200 个 Word 文档喂给大模型做个知识库”,或者”把这份 PDF 报告转成 Markdown 放进笔记”。手动复制粘贴?开什么玩笑。

这时候就需要一个批量格式转换工具。而 11 月 20 日 GitHub Trending 榜首就是它——微软开源的 MarkItDown,单日 +434 star,仓库累计已经 193k+ star,fork 1.46 万,是目前文档转换赛道最火的开源项目,没有之一。

GitHub 仓库截图

📌 MarkItDown 是什么?

一句话:微软官方出品的 Python 工具,把各种文件转成 Markdown。

支持的格式相当全:

  • Office 系:Word (.docx)、Excel (.xlsx)、PowerPoint (.pptx)
  • 文档系:PDF、HTML、CSV、TSV
  • 媒体系:图片(走 OCR)、音频(走转写)
  • 打包系:ZIP(递归解包逐个转)

为什么要转成 Markdown?因为 Markdown 是给 AI 喂料的”通用语”。你做 RAG 知识库、做笔记沉淀、做公众号排版,最后落地的格式基本都是 Markdown。以前要用 LibreOffice + pandoc + 一堆脚本拼出来的流水线,现在一条命令搞定。

六大核心亮点

🚀 安装:两分钟上手

方式一:pip 在线安装(推荐)

# 装全家桶版本,所有格式支持都带上
pip install markitdown[all]

如果网络慢,用国内镜像源:

pip install markitdown[all] -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二:离线安装(内网/服务器党看这里)

我已经把 v0.1.9 的安装包下载好了,见文末夸克网盘链接,里面有 markitdown-0.1.9-py3-none-any.whl 和源码包,下载后:

pip install markitdown-0.1.9-py3-none-any.whl

验证是否装好:

markitdown --help

能打印出帮助信息就说明成功了。这里要解释一下:whl 文件就是 Python 的安装包格式,类似 Windows 的 .exe 安装程序,双击(pip install)就能装。

PyPI 页面截图

💻 用法一:命令行,一行搞定

装完之后,用法简单到离谱:

# PDF 转 Markdown
markitdown report.pdf > report.md

# Word 转 Markdown
markitdown 设计方案.docx > 设计方案.md

# PPT 转 Markdown
markitdown 产品介绍.pptx > 产品介绍.md

# Excel 转 Markdown
markitdown 数据表.xlsx > 数据表.md

格式就是 markitdown 输入文件 > 输出文件。转出来的 .md 用任何编辑器打开就是干净的 Markdown,标题、表格、列表层级都在。

批量转换也简单,一条 for 循环:

for f in *.docx; do
  markitdown "$f" > "${f%.docx}.md"
done

🐍 用法二:Python API,接进你的流水线

命令行适合临时用,要批量处理几百个文件、或者接进自己的程序,就用 Python API:

from markitdown import MarkItDown

md = MarkItDown()

# 转本地文件
result = md.convert("项目文档.pdf")
print(result.markdown_content)

# 转网页(自动抓取并转成 Markdown)
result = md.convert("https://example.com/article")
print(result.markdown_content)

几行代码就能跑,返回的 markdown_content 就是转换结果字符串,直接存文件、直接塞给大模型都行。

做知识库的典型玩法:

import os
from markitdown import MarkItDown

md = MarkItDown()
os.makedirs("kb", exist_ok=True)

for f in os.listdir("docs"):
    if f.endswith((".docx", ".pdf", ".pptx")):
        out = os.path.join("kb", os.path.splitext(f)[0] + ".md")
        with open(out, "w", encoding="utf-8") as fp:
            fp.write(md.convert(os.path.join("docs", f)).markdown_content)
        print("已转换:", f)

跑完之后 kb/ 目录下就是一堆 Markdown 文件,接下来交给向量数据库或者直接做 RAG,一步到位。

⚠️ 新手常见问题(FAQ)

Q1:转换出来的 Markdown 乱码怎么办?
A:优先检查源文件本身是否正常。PDF 如果是扫描件(图片型 PDF),需要装 OCR 依赖:pip install "markitdown[all]" 里的 easyocr 组件会一并装上。

Q2:支持 .doc 老格式吗?
A:MarkItDown 主要面向 .docx。老的 .doc 建议先用 LibreOffice 或 WPS 另存为 .docx,再转。

Q3:转换要联网吗?
A:本地文件转换完全离线,不需要联网。只有你用 convert() 传 URL 抓网页时才需要网络。

Q4:大文件会不会爆内存?
A:官方专门做了流式处理(convert_stream()),几百页的 PDF 也能稳定转,不会动不动 OOM。

Q5:商业使用收费吗?
A:MIT 协议,微软开源,个人和商用都免费。

📥 软件下载

离线安装包(含 whl + 源码包 + 使用说明)已上传夸克网盘:

夸克网盘下载:https://pan.quark.cn/s/42f400806ad4
提取码:NbPk

也可以直接在 PyPI 下载:
https://pypi.org/project/markitdown/

GitHub 项目主页(193k+ Star,欢迎点个 Star 支持):
https://github.com/microsoft/markitdown

✍️ 写在最后

说实话,格式转换这种”脏活累活”工具,以前总觉得轮不到微软来做。结果 MarkItDown 一出手就是降维打击——格式支持全、API 干净、还免费。用了几天,最大的感受就是:以前要折腾半小时的 pandoc 参数,现在一行命令就完事了。

如果你也在做 AI 知识库、RAG 应用,或者单纯想把一堆 Office 文档整理成笔记,这个工具真的值得装一个。

关注公众号:”实用软技”,在公众号窗口里回复关键字”软件”即可免费获取

100T高转存免费网盘资源精选【持续更中~~~~】:点击查看

0 0 投票
文章评级
订阅
提醒
guest
0 评论
内线反馈
查看所有评论
0
希望你的想法,请评论。x