微软出品MarkItDown：文档批量转Markdown，AI预处理利器

做RAG（检索增强生成）或者微调的朋友肯定遇到过这个场景：手里一堆Word、PDF、PPT，想喂给LLM，但模型只吃纯文本或Markdown。以前要么手动复制粘贴，要么写一堆脚本分别解析不同格式，坑踩一个又一个。

微软最近开源了一个工具叫MarkItDown，号称能把各种办公文档一键转成Markdown。今天就用几分钟帮你判断它值不值得放进你的工具箱。

它解决了什么问题

简单说：把不同格式的文档统一成Markdown。支持以下输入：

  • Word（.docx）
  • PPT（.pptx）
  • Excel（.xlsx）
  • PDF（.pdf）
  • 图片（带OCR）
  • HTML（.html）
  • 纯文本 / CSV / JSON / XML

输出只有一个：标准Markdown（.md）。

而且它是库不是命令行工具，方便集成到你的Python数据处理流水线里。

核心功能实测

先装包：

bash
1 
pip install markitdown

来个最简使用：

python
1 2 3 4 5 
from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("example.docx")
print(result.text_content)

输出直接是Markdown字符串，标题、列表、表格都被保留了。我试了一个带公式的Word文档，数学公式转成了LaTeX行内表达式（$...$），虽然不如MathML精确，但至少可读。

PDF转换会更激进——它用pdfminer.six提取文本，图片部分不会自动OCR（需要单独开启）。如果你有大量扫描件，需要额外装 tesseract 并设置环境变量，让MarkItDown调用OCR引擎。这一点官方README写得不够清楚，我踩过坑：不装tesseract的话，图片型PDF直接变成空文本。

亮点：统一接口。无论你丢进去的是PPT还是Excel，调用方式一模一样。Excel每个Sheet会被转换成Markdown表格，第一行自动作为表头。PPT则按幻灯片为单位，标题和正文分开段落。
markitdown code example python terminal output

和同类方案比好在哪

我知道你脑子里蹦出的第一个对比对象是 pandoc。

维度 MarkItDown pandoc
安装复杂度 pip install，自带依赖 需要系统级安装（apt/dnf），HTML转换还要额外装texlive
输出灵活性 只输出Markdown 支持数十种输出格式
API友好性 Python类，即插即用 主要通过命令行调用，Python绑定（pypandoc）有一定学习成本
对图片OCR 内置可选 需要额外工具链
速度 较快，文档不长时秒级 中等，格式转换引擎较重

个人看法：如果你只是要把办公文档转成Markdown喂给AI，MarkItDown更轻、更专一。pandoc能做的事太多，但每次配置都得折腾半天。而MarkItDown就是「输入-输出」一条线，没有多余选项。

另一个竞品是python-docx + openpyxl + pdfminer自己拼。但拼出来的代码维护成本高，而且不同库对Markdown格式的约定不同。MarkItDown把格式表统一了：比如列表统一用-，表格用标准分隔线，图片用 ![alt](data:...) base64嵌入（官方说后续会支持配置为文件路径）。

适用场景与局限

适合：

  • 数据预处理：给AI模型（如ChatGPT、Claude）提供干净文本。我从Notion导出的几十个Markdown文件，用这个库批量转成统一格式很顺手。
  • 搜索索引：Elasticsearch或向量数据库需要纯Markdown文本，可以直接用它解析。
  • 自动化工作流：公司内部每周收到的xlsx报表转成Markdown，塞进RAG系统做问答。

不适合：

  • 复杂排版保留：比如Word里的文本框、SmartArt、Excel中的合并单元格，转换后会丢失或变形。我对一个含复杂图表的PPT做转换，SmartArt里的文字顺序错乱了。
  • 追求精确版面还原：Markdown本身表达能力有限，如果你需要保留字体、字号、颜色，请用Pandoc搭配自定义模板，或者直接用HTML。
  • 超大文件：我试过100MB以上的PDF，内存占用飙到2GB+。建议拆分成小文件再处理。
  • 中文OCR：默认的tesseract中文识别率不高，尤其繁体字。如果PDF是扫描版且含有大量中文，建议先上专业的OCR工具（如PaddleOCR），再把结果转Markdown。

快速上手步骤

  1. 安装库：pip install markitdown （Python 3.10+）
  2. 如需OCR，安装Tesseract并设置路径：
    • Windows：下载安装包，添加C:\Program Files\Tesseract-OCR到PATH
    • Linux：sudo apt install tesseract-ocr
  3. 写个批处理脚本：
    ```python
    from pathlib import Path
    from markitdown import MarkItDown

md_converter = MarkItDown()
input_folder = Path("./docs")
output_folder = Path("./md_output")
output_folder.mkdir(exist_ok=True)

for file in input_folder.glob("."):
if file.suffix in [".docx", ".pdf", ".pptx", ".xlsx", ".html"]:
result = md_converter.convert(str(file))
out_file = output_folder / f"{file.stem}.md"
out_file.write_text(result.text_content, encoding="utf-8")
print(f"Converted {file.name} -> {out_file.name}")

```
4. 跑起来看看输出，检查表格和列表是否正常。如果是中文PDF，建议先用OCR提取文本，再用MarkItDown结构化。

五分钟内就能判断：你的项目里它能不能用——能就加个依赖，不能就换方案。简单干脆，这才是工具该有的样子。