markitdown 完整教程一条命令把 PDF、Word、EPUB 转成 Markdown【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdownmarkitdown 是微软开源的 Python 转换工具一条命令把PDF、Word、PPT、Excel、EPUB、图片、音频转成保留标题、表格、列表结构的 Markdown专为大模型问答和文本分析流水线设计。本教程带你完成安装、跑通第一条转换命令并掌握 Python API、OCR 插件与批量用法。先判断markitdown 适不适合你的场景适合文档要喂给大模型、建知识库、批量整理 Office 文件——这是它的核心活输出天然省 token。适合文件不能出本地。内置转换路径完全离线不经过任何服务器。不适合像素级排版还原。官方定位写得很清楚输出是给文本分析工具消费的不是给你二次出版用的。先留意扫描版 PDF。内置转换器只读文字层纯图片页面会转出空内容需要 OCR 插件或云端端点。先留意要求 Python3.10 到 3.14装之前先python --version确认环境。3 步上手从零到第一条 markitdown 转换命令第 1 步创建虚拟环境并安装。避免依赖冲突推荐 venvpython -m venv .venv source .venv/bin/activate pip install markitdown[all][all]一次性装齐 PDF、Office、音频转录等所有可选依赖装完你同时获得markitdown命令行工具和 Python 包。第 2 步想只装部分格式按需选装更轻pip install markitdown[pdf,docx]可选组完整清单在 pyproject.tomlpptx、docx、xlsx、xls、pdf、outlook、audio-transcription、youtube-transcription、az-doc-intel、az-content-understanding。第 3 步跑第一条命令。任何受支持的文件都是这个姿势markitdown report.pdf -o report.md不加-o时结果直接打印到终端适合快速预览加-o则写入report.md。想从源码玩先git clone https://gitcode.com/GitHub_Trending/ma/markitdown再pip install -e packages/markitdown[all]即可。场景实战按任务用 markitdown把 PDF 论文和网页转成结构化文本喂给大模型PDF 论文、Word 合同、HTML 网页、CSV/JSON/XML 都能转管道输入也支持cat example.pdf | markitdown它从标准输入读字节流并自动嗅探格式格式识别不准时可用-x、-m、-c手动提示扩展名、MIME 类型和编码。下面是仓库测试素材里的一页学术论文markitdown 转完后标题、作者行、摘要都会变成结构化文本而不是糊成一坨注意它针对的是带文字层的数字 PDF纯扫描的纸质 PDF 见后面的插件部分。Excel 表格和 PPT 幻灯片变成可检索的 Markdown命令不变换文件名即可markitdown report.xlsx -o report.mdExcel 自动变成 Markdown 表格PPT 按幻灯片逐张切分Word 保留标题层级Word 里的公式会转成LaTeX 写法转换逻辑在 converter_utils/docx/math/omml.py。会议纪要、财务报表批量进文本库后可以直接全文检索不用打开 Office 软件。图片提元数据、音频转文字、LLM 生成图片描述图片会提取EXIF 元数据设备、拍摄时间、坐标输出成 Markdown 字段wav、mp3 可以转录成文字需[audio-transcription]依赖YouTube 链接能直接传抓字幕后转换需[youtube-transcription]依赖。上面这张是仓库里专门测 LLM 图片描述能力的样本——如果构造MarkItDown时传入了llm_client和llm_model转换图片文件时会顺带生成一句描述。进阶用法Python API、插件与批量3 行 Python API 把 markitdown 接进自动化流程写自动化脚本时用代码调核心就三行from markitdown import MarkItDown md MarkItDown() print(md.convert(data.xlsx).markdown)服务端环境建议改用convert_local()只处理本地文件——convert()设计上会接受本地文件、远程 URI 和字节流入口是故意做得宽的需要更多控制还有convert_stream()、convert_response()可选实现在 _markitdown.py。插件、批量与 MCP三条扩展路线批量转换没有专门的目录模式套一层循环就行逐个转当前目录的 PDF输出同名.md到out/for f in *.pdf; do markitdown $f -o out/${f%.pdf}.md done插件扩展插件默认不启用先markitdown --list-plugins看已装了什么再加--use-plugins或-p启用。官方 markitdown-ocr 插件能给 PDF、Word、PPT、Excel 转换器加 OCR 能力用 LLM Vision 读出文档里嵌入图片中的文字——扫描件文档就走这条路。pip install markitdown-ocr之后Python 侧这样配from markitdown import MarkItDown from openai import OpenAI md MarkItDown(enable_pluginsTrue, llm_clientOpenAI(), llm_modelgpt-4o) print(md.convert(scanned.pdf).markdown)没传llm_client时 OCR 会被静默跳过回退到内置转换器不会报错。新格式也建议走插件路线官方模板在 packages/markitdown-sample-plugin/核心就是实现accepts()和convert()两个方法再注册入口点。MCP 集成packages/markitdown-mcp/ 提供一个 MCP 服务器暴露convert_to_markdown(uri)工具支持 STDIO 与 HTTP 传输pip install markitdown-mcp后直接markitdown-mcp启动方便接进 Claude Desktop 等 MCP 客户端。markitdown 参数速查表与同类方案对比参数作用-o指定输出文件不加则打印到终端-x/-m/-c提示扩展名 / MIME 类型 / 文件编码读 stdin 时有用-d/-e改用 Azure Document Intelligence 提取-e传端点--use-cu/--cu-endpoint改用 Azure Content Understanding支持视频与结构化字段--cu-analyzer/--cu-file-types指定 CU 分析器 ID / 限定哪些格式走 CU-p/--use-plugins启用第三方插件--list-plugins列出已安装的插件--keep-data-uris输出中保留 base64 内嵌图片默认会截断-v显示版本号和同类方案横向比一下维度markitdown在线转换工具手动复制粘贴文件去向完全本地不出机器上传第三方服务器本地产出形态结构化 Markdown直接进 LLM 与流水线可读页面零散文本结构与元数据标题、表格、列表、链接EPUB 元数据自动带出仅基础格式容易断裂成本内置路径免费云端点付费可能免费可能收费零成本但费时门槛Python 3.10–3.14 依赖浏览器即可无5 种 markitdown 搞不定的情况与对策扫描版 PDF 转出空内容内置转换器只读文字层。加 markitdown-ocr 插件配 LLM 客户端或-d/--use-cu接云端端点。出版级排版还原做不到输出服务文本分析。这种需求找专业排版工具别硬扛。服务端喂不受信任的输入它按当前进程权限做 I/O和open()、requests.get()一个性质。先做输入校验并优先调convert_local()这类最窄入口别直接喂convert()。视频文件内置转换器没有视频支持只能走 Azure Content Understanding 端点--use-cu。某格式直接报转换失败多半是没装对应可选依赖如[xlsx]。装上对应依赖组再试别误以为是文件坏了。本地、离线、要结构化 Markdown 进大模型——选 markitdownpip install markitdown[all]就能覆盖绝大多数场景要还原版式就换专业排版工具要处理扫描件就加 OCR 插件或云端点两条路都清晰不用纠结。【免费下载链接】markitdownPython tool for converting files and office documents to Markdown.项目地址: https://gitcode.com/GitHub_Trending/ma/markitdown创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考