微软开源MarkItDown：一款将任意文件转换为Markdown的神器，LLM场景必备

如果你曾经需要把一份Word文档、Excel表格或PDF文件交给大语言模型处理，一定会遇到格式转换的烦恼。MarkItDown 是微软开源的一款轻量级文档转换工具，可以将各种常见格式的文件统一转换为Markdown，让LLM能够更好地理解和处理文档内容。

项目简介

MarkItDown 由微软 AutoGen 团队开发和维护，目前在GitHub上已获得超过10万颗星标。它专注于将文档内容结构化地提取为Markdown格式，最大程度保留原文的标题层级、列表、表格、链接等元素。相比 textract 等工具，MarkItDown 的输出更接近原始文档结构，也更适合作为LLM的输入。

支持的格式

MarkItDown 支持转换的文件类型非常广泛，包括：PDF文档、PowerPoint演示文稿、Word文档、Excel表格、图片（可提取EXIF和OCR文字）、音频文件（可提取EXIF和语音转文字）、HTML网页、CSV/JSON/XML等文本格式、ZIP压缩包（自动遍历内容）、YouTube视频链接、EPub电子书等。

核心特色功能

1. 保留文档结构：转换后的Markdown保留标题层级、列表嵌套、表格结构、链接等，输出质量高且适合机器阅读。

2. MCP服务器支持：MarkItDown提供MCP（Model Context Protocol）服务器，可与Claude Desktop等LLM应用集成，直接在AI工具中处理本地文件。

3. OCR插件：markitdown-ocr插件支持对PDF、Word、PPT、Excel中的图片进行OCR识别，并可利用LLM的视觉能力进行图像描述，无需额外的ML库。

4. Azure文档智能集成：支持调用Azure Document Intelligence服务进行高精度文档解析。

5. YouTube转录：可直接输入YouTube视频URL，自动获取字幕并转换为Markdown。

6. 插件系统：支持第三方插件扩展，可搜索GitHub上带有 #markitdown-plugin 标签的插件。

安装步骤

MarkItDown需要Python 3.10及以上版本。推荐使用虚拟环境安装：

第一步，创建并激活虚拟环境：
python -m venv .venv
source .venv/bin/activate # Linux/Mac
# 或使用 uv
uv venv –python 3.12 .venv
source .venv/bin/activate

第二步，安装MarkItDown（推荐安装全部功能）：
pip install ‘markitdown[all]’

如只需特定格式，可选择性安装：
pip install ‘markitdown[pdf,docx,pptx]’ # 只装PDF/Word/PPT支持

使用方法

命令行使用最为简单：

# 基本用法
markitdown 文档.pdf > 文档.md

# 指定输出文件
markitdown 文档.xlsx -o 表格.md

# 管道输入
cat 文档.pdf | markitdown

Python API调用：

from markitdown import MarkItDown

md = MarkItDown(enable_plugins=False)
result = md.convert(“test.xlsx”)
print(result.text_content)

# 启用LLM图像描述
from openai import OpenAI
md = MarkItDown(enable_plugins=True, llm_client=OpenAI(), llm_model=”gpt-4o”)
result = md.convert(“文档.pdf”)
print(result.text_content)

适用场景

1. RAG知识库构建：将历史文档批量转换为Markdown，构建检索增强生成知识库。
2. LLM文档处理流水线：作为数据预处理步骤，将各类文档统一为LLM友好格式。
3. 论文笔记整理：将学术PDF自动提取为Markdown，便于在笔记工具中整理。
4. 字幕获取：输入YouTube视频链接，直接获取可编辑的字幕文本。
5. OCR文字提取：对扫描件图片进行文字识别和结构化输出。

开源协议

MarkItDown采用MIT开源协议，可以免费商用，也可以根据需求自由修改和二次开发。

总结

MarkItDown解决了文档处理中的格式碎片化问题，将各种格式统一转换为LLM友好的Markdown。无论是构建知识库、处理办公文档还是开发AI应用，MarkItDown都是一个值得收藏的工具。目前支持格式仍在不断扩展，插件生态也在成长，强烈推荐开发者尝试。

项目地址：https://github.com/microsoft/markitdown