🔥GitHub 11万星！微软开源神器MarkItDown：PDF/Word/PPT/图片/音频一键转干净Markdown

还在为文档格式头疼？
PDF复制乱码、Word表格错位、PPT图文乱飞、图片音频没法喂给AI？
今天给大家挖到微软官方开源的神器——MarkItDown，一行命令搞定所有格式，输出大模型最爱、结构超干净的Markdown！

MarkItDown 是一款轻量级 Python 工具，用于将各种文件转换为 Markdown 格式，以便在 LLM 及相关文本分析流程中使用。为此，它与 textract 最为相似，但其侧重点在于将重要的文档结构和内容（包括：标题、列表、表格、链接等）保留为 Markdown 格式。虽然输出结果通常相当美观且易于人类阅读，但其本意是供文本分析工具使用——对于需要高保真度转换以供人类阅读的场景，它可能并非最佳选择。

这款微软开源工具凭实力在GitHub狂揽11万+Star，靠的就是简单、稳定、真解决痛点！告别格式内耗，把时间留给内容本身～

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

✨ 它到底有多强？

MarkItDown是微软推出的轻量级Python工具，专门把各类文件转成LLM友好型Markdown，不是生硬抽文本，而是完整保留标题、列表、表格、链接、结构层级，AI秒读、省Token、人类也能直接看！

📁 支持格式多到离谱（覆盖99%办公场景）

• Office全家桶：Word、PPT、Excel（新旧格式通吃）
• 文档：PDF（含扫描件OCR）、EPUB
• 多媒体：图片（OCR+元数据）、音频（语音转写）
• 网页/数据：HTML、CSV、JSON、XML
• 黑科技：ZIP自动解压批量转、YouTube链接扒字幕

🎯 核心优势，吊打同类工具

1. 结构不死板：标题、列表、表格、链接原样保留，不是纯文本堆砌
2. AI天生适配：Markdown是大模型“母语”，解析快、省Token、效果稳
3. 轻量无负担：Python 3.10+即可跑，无需复杂环境
4. 扩展拉满：支持插件、Azure文档智能、对接LLM做图像描述

🚀 5分钟上手，零门槛教程

1. 安装（推荐全功能版）

pip install 'markitdown[all]'

不想装全量？按需选组件：

pip install 'markitdown[pdf,docx,pptx]'

支持PDF、Word、PPT精准组合，更轻更快！

目前，可用的可选依赖项如下：

• [all] 安装所有可选依赖项

• [pptx] 安装 PowerPoint 文件的依赖项

• [docx] 安装 Word 文件的依赖项

• [xlsx] 安装 Excel 文件的依赖项

• [xls] 安装旧版 Excel 文件的依赖项

• [pdf] 安装 PDF 文件的依赖项

• [outlook] 安装 Outlook 邮件的依赖项

• [az-doc-intel] 安装 Azure Document Intelligence 的依赖项

• [audio-transcription] 安装用于 wav 和 mp3 文件音频转录的依赖项

• [youtube-transcription] 安装用于获取 YouTube 视频转录的依赖项

2. 命令行一键转换（小白首选）

# 基础用法：文件转MD
markitdown 报告.pdf -o 输出.md

# 管道流式处理
cat 报告.pdf | markitdown

# 启用插件
markitdown --use-plugins 报告.pdf

一行命令，告别复制粘贴、告别格式崩溃！

3. Python代码调用（开发者/批量处理）

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("数据.xlsx")
# 打印转换后的Markdown内容
print(result.text_content)

三行代码嵌入项目，批量处理、RAG预处理随便玩！

4. 进阶玩法（企业/高阶用户）

• 对接Azure Document Intelligence：高精度解析复杂PDF
• 接入GPT-4o：自动生成图片描述，适配图文PPT
• Docker部署：环境统一、一键运行

5.Python API

Python 中的基本用法：

from markitdown import MarkItDown

md = MarkItDown(enable_plugins=False) # Set to True to enable plugins
result = md.convert("test.xlsx")
print(result.text_content)

Python 中的 Document Intelligence 转换：

from markitdown import MarkItDown

md = MarkItDown(docintel_endpoint="<document_intelligence_endpoint>")
result = md.convert("test.pdf")
print(result.text_content)

要使用大型语言模型生成图像描述（目前仅适用于 pptx 和图像文件），请提供 llm_client 和 llm_model：

from markitdown import MarkItDown
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)

6.Docker 支持

docker build -t markitdown:latest .
docker run --rm -i markitdown:latest < ~/your-file.pdf > output.md

🎯 适合谁用？

• 职场人：快速整理资料、做AI总结、统一文档格式
• 开发者：搭建RAG知识库、AI文档预处理
• 学生/研究者：课件转写、文献整理、音频转笔记

一句话：只要你要喂AI、做笔记、清格式，MarkItDown都能一键封神！

参考

https://github.com/microsoft/markitdown

https://mp.weixin.qq.com/s/O6kEJS8mWgu9S1OZKvT6Ng