📄 MarkItDown：微软开源文件转 Markdown 神器 支持 PDF/Office/图片/音频

MarkItDown 是微软开源的 Python 工具，可将 PDF、Word、Excel、PPT、图片、音频等文件转换为 Markdown。支持文档结构保留、表格转换、OCR 识别、语音转录，是 LLM 文本分析流水线的理想工具。轻量级设计，命令行和 Python API 双支持，插件系统可扩展。

🎤 引言：为什么需要 MarkItDown？

你有没有遇到过这种情况：

• 需要将 PDF 文档转换为 Markdown 供 LLM 分析，但格式总是乱掉
• 手上有大量 Office 文档（Word/Excel/PPT），想批量转换为 Markdown
• 需要提取图片中的 EXIF 信息和 OCR 文字，但找不到好用的工具
• 有音频文件需要语音转录，但 transcription 工具太贵或太复杂

如果你正在寻找这样一个工具，那么今天给大家安利这款微软开源神器——MarkItDown。它是一款轻量级文件转 Markdown 工具，支持 PDF、Office、图片、音频等多种格式，专为 LLM 文本分析流水线设计。

📱 MarkItDown 是什么？

MarkItDown 是微软开源的 Python 工具，用于将各种文件转换为 Markdown 格式。

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

PyPI 页面：https://pypi.org/project/markitdown/

GitHub 数据：

• ⭐ Stars: 微软官方开源项目
• 📜 许可证：MIT
• 🐍 Python 版本：3.10+
• 📅 持续维护：活跃开发中

核心特性：

1. 多格式支持 - PDF/Word/Excel/PPT/图片/音频/HTML 等
2. 结构保留 - 保留文档结构（标题/列表/表格/链接）
3. OCR 识别 - 图片文字识别（OCR）
4. 语音转录 - 音频文件语音转文字
5. 轻量设计 - 专为 LLM 文本分析优化
6. 插件系统 - 支持第三方插件扩展

一句话总结：如果你需要将各种文件转换为 Markdown 供 LLM 分析，MarkItDown 是目前最佳选择。

🔥 核心功能亮点

1️⃣ 多格式支持

支持转换的文件格式：

对比 Textract：

• MarkItDown 更轻量
• 专注于 Markdown 输出
• 更适合 LLM 分析场景

2️⃣ 结构保留

转换时保留的文档结构：

• ✅ 标题层级（H1/H2/H3...）
• ✅ 列表（有序/无序）
• ✅ 表格（Markdown 表格格式）
• ✅ 链接（超链接保留）
• ✅ 代码块（语法高亮标记）
• ✅ 引用块（blockquote）

示例：

# 文档标题

## 章节标题

### 子章节

- 列表项 1
- 列表项 2

| 表格列 1 | 表格列 2 |
|---------|---------|
| 数据 1   | 数据 2   |

[链接文本](https://example.com)

3️⃣ OCR 识别

图片文件转换功能：

示例：

from markitdown import MarkItDown
from openai import OpenAI

# 使用 LLM 生成图片描述
client = OpenAI()
md = MarkItDown(llm_client=client, llm_model="gpt-4o")
result = md.convert("example.jpg")
print(result.text_content)

4️⃣ 语音转录

音频文件转换功能：

示例：

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("recording.wav")
print(result.text_content)  # 输出转录文字

5️⃣ 插件系统

支持第三方插件扩展：

查看已安装插件：

markitdown --list-plugins

启用插件：

markitdown --use-plugins path-to-file.pdf

查找插件：

• GitHub 搜索 #markitdown-plugin
• 参考官方示例：packages/markitdown-sample-plugin

🛠️ 安装与使用指南

第一步：安装 MarkItDown

方式 1：pip 安装（推荐）

# 创建虚拟环境（推荐）
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# 或 .venv\Scripts\activate  # Windows

# 安装完整版（所有格式支持）
pip install 'markitdown[all]'

方式 2：从源码安装

git clone [email protected]:microsoft/markitdown.git
cd markitdown
pip install -e 'packages/markitdown[all]'

方式 3：Docker 安装

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

可选依赖：

# 按需安装特定格式支持
pip install 'markitdown[pdf,docx,pptx]'  # 仅 PDF/Word/PPT
pip install 'markitdown[audio-transcription]'  # 仅音频转录
pip install 'markitdown[youtube-transcription]'  # 仅 YouTube 转录

第二步：命令行使用

基本用法：

# 转换单个文件
markitdown path-to-file.pdf > document.md

# 指定输出文件
markitdown path-to-file.pdf -o document.md

# 从管道读取
cat path-to-file.pdf | markitdown

高级用法：

# 使用 Azure Document Intelligence
markitdown path-to-file.pdf -o document.md -d -e "<endpoint>"

# 启用插件
markitdown --use-plugins path-to-file.pdf

# 列出插件
markitdown --list-plugins

第三步：Python API 使用

基本用法：

from markitdown import MarkItDown

md = MarkItDown(enable_plugins=False)  # 设置 True 启用插件
result = md.convert("test.xlsx")
print(result.text_content)

使用 Azure Document Intelligence：

from markitdown import MarkItDown

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

使用 LLM 生成图片描述：

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)

💡 使用技巧与应用场景

场景 1：LLM 文本分析流水线

工作流：

PDF/Office 文档 → MarkItDown → Markdown → LLM 分析

优势：

• Markdown 是 LLM 原生格式
• 保留文档结构
• Token 效率高

场景 2：批量文档转换

批量转换脚本：

from markitdown import MarkItDown
import os

md = MarkItDown()
for filename in os.listdir('documents'):
    if filename.endswith('.pdf'):
        result = md.convert(f'documents/{filename}')
        with open(f'output/{filename}.md', 'w') as f:
            f.write(result.text_content)

场景 3：图片 OCR 提取

提取图片文字：

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("scan_document.jpg")
print(result.text_content)  # OCR 识别结果

场景 4：音频会议记录

转录会议录音：

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("meeting_recording.wav")
print(result.text_content)  # 语音转录结果

场景 5：YouTube 视频转录

提取视频字幕：

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("https://www.youtube.com/watch?v=VIDEO_ID")
print(result.text_content)  # 视频转录

📊 与同类产品对比

结论：

• 需要LLM 文本分析 → MarkItDown
• 需要通用文档提取 → Textract
• 需要多格式转换 → Pandoc

📥 下载渠道

官方渠道：

• PyPI：https://pypi.org/project/markitdown/
• GitHub：https://github.com/microsoft/markitdown
• 文档：https://github.com/microsoft/markitdown

安装命令汇总：

# 完整版（推荐）
pip install 'markitdown[all]'

# 按需安装
pip install 'markitdown[pdf,docx,pptx]'

# Docker
docker build -t markitdown:latest .
docker run --rm -i markitdown:latest < input.pdf > output.md

相关资源：

• MCP 服务器：markitdown-mcp
• 示例插件：packages/markitdown-sample-plugin
• Azure Document Intelligence：文档

📝 总结

MarkItDown 是一款专为 LLM 文本分析设计的文件转换工具，在多格式支持、结构保留、轻量设计三个方面都做到了极致。

优点：

• ✅ 微软官方开源，质量有保障
• ✅ 支持格式丰富（PDF/Office/图片/音频等）
• ✅ 保留文档结构（标题/列表/表格/链接）
• ✅ OCR 识别和语音转录支持
• ✅ 轻量级设计，专为 LLM 优化
• ✅ 命令行和 Python API 双支持
• ✅ 插件系统可扩展
• ✅ MIT 许可证，商用友好

不足：

• ⚠️ 部分功能需要额外依赖（如 OCR/语音转录）
• ⚠️ Azure Document Intelligence 需要 Azure 账号
• ⚠️ 某些复杂格式转换可能不完美

推荐指数：⭐⭐⭐⭐⭐（5/5）

如果你需要将各种文件转换为 Markdown 供 LLM 分析，MarkItDown 绝对值得一试。它是目前最适合 LLM 文本分析流水线的转换工具。

下载链接：https://pypi.org/project/markitdown/

GitHub 项目：https://github.com/microsoft/markitdown

免责声明：本教程仅供教育和研究用途。使用软件时请遵守相关许可协议。