用MarkItDown把办公文档转成Markdown，给AI喂数据省一半时间

这两天GitHub上冒出一个微软开源的Python库——MarkItDown，一天就涨了13万星。我看了一下，它不是那种花里胡哨的新框架，就是解决一个实实在在的痛点：把PDF、Word、PPT、Excel这些办公文件转成Markdown格式。

为什么这玩意儿突然火了？因为做AI应用的人太多了。你要给大模型搞RAG，或者微调，第一步就是把非结构化文档清洗成干净文本。以前大家要么用Pandoc硬扛，要么自己写解析脚本。MarkItDown的出现，至少让你不用在格式迁移上重复造轮子。

它到底能处理哪些格式？

官方列了一大堆：PDF、.docx、.pptx、.xlsx、.html、csv、json、xml，甚至图片（通过OCR和EXIF提取文字）。它背后用的是Python生态里成熟的库，比如python-pptx、python-docx、PyMuPDF（fitz）。

最让我觉得实用的是它对Office文档的排版保留。我用一张带表格的Word文档试了一下，转出来的Markdown保留了表格结构，标题层级也对了。

核心用法：5行代码搞定

python
1 2 3 4 5 6 7 8 
from markitdown import MarkItDown

# 初始化（默认无LLM功能，纯本地解析）
md = MarkItDown()

# 转换文档
result = md.convert("example.docx")
print(result.text_content)  # 这就是Markdown字符串

就这么简单。它还支持从URL下载转换：

python
1 
result = md.convert("https://example.com/report.docx")

如果你有OpenAI或Azure的API Key，它还能对图片调用GPT-4o做描述。不过我觉得99%的场景用本地模式就够了，没必要为了图片描述多花token。

和Pandoc比怎么样？

Pandoc是老牌文档转换工具，支持格式极多，但有两个问题：

  1. 对Office支持差。Pandoc转.docx需要LibreOffice或者WPS后台，还得装一堆依赖。MarkItDown直接Python原生处理，无需外部程序。
  2. 中文排版有时会乱。我用Pandoc转带中文的PPT，表格经常错位。MarkItDown对中文支持更好（我自己测了两份中文PPT，标题、分段都没问题）。

缺点也很明显：MarkItDown目前只输出Markdown，不能反过来把Markdown转成其他格式。Pandoc是双向的。所以如果你需要文档格式互转（比如Markdown→PDF），MarkItDown不合适。

适用场景与局限

适合的场景：

  • 做RAG系统的文档预处理（把一堆杂乱的PDF/Word变成结构化文本）
  • 数据清洗，把Excel表格变成Markdown表格供AI阅读
  • 快速将会议纪要、技术报告转为轻量文档

不适合的场景：

  • 需要完美还原原格式（比如带复杂形状的PPT，它只能提取文字）
  • 大批量PDF扫描件（它用PyMuPDF提取文字，如果PDF是图片扫描的，需要OCR插件，速度慢）
  • 生产环境高并发（目前是单线程库，并行转换需自己加锁）

另外有个坑：它对加密或受保护的Office文件会直接报错，需要解密后才能用。

快速上手步骤

  1. 安装：pip install markitdown
  2. 准备一个测试文件（比如test.docx）
  3. 写上面那5行代码跑一下
  4. 看看输出的Markdown里标题、列表、表格是否保留

我建议你把转换后的Markdown扔进Obsidian或任意Markdown编辑器里看一眼，确认排版符合预期。如果原文档里有复杂的公式（比如LaTeX），当前版本会把它当普通文本处理，不会转成数学格式。

我的看法

MarkItDown不是万能工具，但在办公文档→Markdown这个细分方向上，它是目前Python生态里最省心的方案。尤其是团队在做AI应用开发，需要批量清洗公司内部文档时，用它替代自写解析脚本，能省一半的工期。

如果你只是偶尔转一个PDF，那用在线工具也行。但如果你每天要处理上百份文档，MarkItDown值得写进你的预处理流水线。

markitdown python library converting office documents to markdown pipeline