一天一个开源项目（第50篇）：MarkItDown – Microsoft 开源的文件转 Markdown 工具，支持 PDF、Office、图片、音频等 15

“Convert various files to Markdown for use with LLMs and related text analysis pipelines.”

这是「一天一个开源项目」系列的第 50 篇文章。今天介绍的项目是 MarkItDown（GitHub）。

需要将 PDF、Word、PPT、Excel 等文件转换为 Markdown 供 LLM 使用？手动转换效率低，格式丢失严重？MarkItDown 是 Microsoft 开源的轻量级 Python 工具，用于将各种文件和 Office 文档转换为 Markdown：支持 PDF、PowerPoint、Word、Excel、图片、音频、HTML、CSV/JSON/XML、ZIP、YouTube URLs、EPUB 等 15+ 种格式，专为 LLM 和文本分析管道设计，保留重要文档结构（标题、列表、表格、链接等），支持插件系统、Azure Document Intelligence、LLM 图像描述。

为什么值得看？

• 🚀 轻量级工具：Python 3.10+，简单易用
• 📚 15+ 格式支持：PDF、Office、图片、音频、HTML、ZIP、YouTube、EPUB 等
• 🎯 专为 LLM 设计：保留文档结构，Markdown 格式，token 高效
• 🔌 插件系统：支持第三方插件扩展功能
• ☁️ Azure 集成：支持 Azure Document Intelligence
• 🧠 LLM 增强：支持 LLM 图像描述（OpenAI GPT-4o 等）
• 🐳 Docker 支持：容器化部署

• MarkItDown 的定位与「专为 LLM 设计」的理念
• 支持的输入格式和转换能力
• 插件系统：如何开发和使用第三方插件
• Azure Document Intelligence 集成
• LLM 图像描述功能
• 与同类工具（textract、pandoc 等）的对比

• 了解 Python 3.10+ 的基本使用
• 对 Markdown 格式有基本了解
• 对 LLM 和文本分析有基本认识（可选）

MarkItDown 是 Microsoft 开源的轻量级 Python 工具，用于将各种文件转换为 Markdown，专为 LLM 和文本分析管道设计。它最接近 textract，但专注于保留重要文档结构和内容为 Markdown（包括：标题、列表、表格、链接等）。

核心特点：

• 轻量级：Python 3.10+，简单易用
• 多格式支持：支持 15+ 种输入格式
• 结构保留：保留文档结构（标题、列表、表格、链接等）
• 专为 LLM：Markdown 格式，token 高效，主流 LLM 原生支持
• 插件系统：支持第三方插件扩展功能
• Azure 集成：支持 Azure Document Intelligence
• LLM 增强：支持 LLM 图像描述

解决的核心问题：

• 文件格式转换需要手动操作，效率低
• 转换后格式丢失，结构不清晰
• LLM 需要结构化的 Markdown 格式
• 不同格式需要不同工具，学习成本高

面向的用户：

• 需要将文件转换为 Markdown 供 LLM 使用的开发者
• 构建文本分析管道的团队
• 需要批量处理文档的用户
• 需要 OCR 和图像识别的用户

• 团队：Microsoft（GitHub）
• 背景：Microsoft AutoGen Team 开发维护
• 理念：专为 LLM 和文本分析管道设计
• 官网：PyPI 包，GitHub 开源

• ⭐ GitHub Stars: 约 90.7k
• 🍴 Forks: 约 5.4k
• 📦 版本: v0.1.5（持续更新中，303+ commits）
• 📄 License: MIT
• 🌐 PyPI: markitdown
• 💬 社区: GitHub Issues、GitHub Discussions
• 📚 文档: GitHub README

技术栈：

• 语言: Python（99.7%）、Dockerfile（0.3%）
• Python 版本: 3.10+
• 核心特性: 插件系统、Azure Document Intelligence、LLM 图像描述

MarkItDown 的核心作用是：将各种文件转换为 Markdown，专为 LLM 和文本分析管道设计，让用户能够：

1. 文件格式转换：PDF、Office、图片、音频等 → Markdown
2. 结构保留：保留文档结构（标题、列表、表格、链接等）
3. LLM 友好：Markdown 格式，token 高效，主流 LLM 原生支持
4. 批量处理：支持 ZIP 文件批量转换
5. OCR 支持：图片 OCR、PDF 扫描件 OCR
6. 音频转录：音频文件自动转录为文本

1. LLM 文档处理
   • 将 PDF、Word、PPT 转换为 Markdown 供 LLM 分析
   • 保留文档结构，提高 LLM 理解准确性
2. 文本分析管道
   • 构建文本分析管道，统一输入格式
   • 批量处理多种格式文档
3. 文档数字化gpt 教程
   • 扫描 PDF OCR 转换为 Markdown
   • 图片 OCR 提取文字
4. 内容提取
   • YouTube 视频字幕提取
   • 音频文件转录
5. 批量转换
   • ZIP 文件批量转换
   • 多格式文档统一处理

安装：

命令行使用：

Python API：

Docker 使用：

1. 支持的输入格式（15+ 种）
   • 📄 PDF：支持扫描件 OCR（需 Azure Document Intelligence 或插件）
   • 📊 PowerPoint：.pptx 文件转换
   • 📝 Word：.docx 文件转换
   • 📈 Excel：.xlsx、.xls 文件转换
   • 🖼️ 图片：JPEG/PNG/GIF，支持 EXIF 元数据和 OCR
   • 🎵 音频：WAV/MP3，支持 EXIF 元数据和语音转录
   • 🌐 HTML：网页内容转换
   • 📊 结构化数据：CSV、JSON、XML
   • 📦 ZIP：批量处理压缩包内容
   • 📺 YouTube URLs：视频字幕提取
   • 📚 EPUB：电子书转换
   • 📧 Outlook：邮件消息转换（需 依赖）
2. 可选依赖
   • ：安装所有可选依赖
   • ：PowerPoint 文件支持
   • ：Word 文件支持
   • ：Excel 文件支持
   • ：旧版 Excel 文件支持
   • ：PDF 文件支持
   • ：Outlook 消息支持
   • ：Azure Document Intelligence 支持
   • ：音频转录支持
   • ：YouTube 视频字幕提取支持
3. 插件系统
   • 支持第三方插件扩展功能
   • 插件默认禁用，需显式启用
   • 使用 标签搜索插件
   • 示例插件：（OCR 支持）
4. Azure Document Intelligence
   • 使用 Microsoft Document Intelligence 进行转换
   • 命令行：
   • Python API：
5. LLM 图像描述
   • 使用 LLM（如 OpenAI GPT-4o）生成图像描述
   • 支持 pptx 和图片文件
   • 提供 和 参数
6. MCP 服务器
   • 提供 MCP（Model Context Protocol）服务器
   • 可与 Claude Desktop 等 LLM 应用集成
   • 详见

为什么选择 MarkItDown？

• 专为 LLM 设计：Markdown 格式，token 高效，主流 LLM 原生支持
• 结构保留：保留文档结构（标题、列表、表格、链接等）
• 多格式支持：支持 15+ 种输入格式
• 插件系统：支持第三方插件扩展功能
• Microsoft 维护：90.7k stars，持续更新

MarkItDown 采用模块化 + 插件化架构设计：

核心组件：

设计原则：

• 模块化：每个格式有独立的转换器
• 插件化：支持第三方插件扩展功能
• 可选依赖：按需安装，减少依赖冲突
• 流式处理：支持文件流输入，不创建临时文件

Markdown 的优势：

1. 接近纯文本：最小化标记，易于阅读
2. 保留结构：标题、列表、表格、链接等结构信息
3. LLM 原生支持：主流 LLM（如 GPT-4o）原生支持 Markdown
4. Token 高效：Markdown 约定高度 token 高效
5. 广泛使用：LLM 训练数据中包含大量 Markdown 格式文本

插件开发：

参考 开发插件。

插件使用：

markitdown-ocr 插件：

插件为 PDF、DOCX、PPTX、XLSX 转换器添加 OCR 支持，使用 LLM Vision 从嵌入图像中提取文本，无需新的 ML 库或二进制依赖。

设置 Azure Document Intelligence：

1. 创建 Azure Document Intelligence 资源
2. 获取端点 URL 和密钥
3. 使用 参数

命令行使用：

Python API：

使用 LLM 生成图像描述：

支持的文件类型：

• PPTX：提取幻灯片中的图像并生成描述
• 图片文件：直接生成图像描述

v0.1.0 重大变更：

• 现在需要二进制文件流对象（如以二进制模式打开的文件，或 对象）
• 类接口改为从文件流读取，而不是文件路径
• 不再创建临时文件

优势：

• 内存效率更高
• 支持管道输入
• 适合批量处理

MarkItDown 提供 MCP（Model Context Protocol）服务器，可与 Claude Desktop 等 LLM 应用集成。

详见 项目。

• 🌟 GitHub: github.com/microsoft/m…
• 📦 PyPI: markitdown
• 📚 文档: GitHub README
• 💬 社区: GitHub Issues、GitHub Discussions
• 🔌 MCP 服务器: markitdown-mcp

• Azure Document Intelligence: Azure 文档
• OpenAI: openai.com
• textract: textract.readthedocs.io
• pandoc: pandoc.org

• LLM 开发者：需要将文件转换为 Markdown 供 LLM 使用
• 文本分析工程师：构建文本分析管道
• 文档处理用户：需要批量处理多种格式文档
• OCR 用户：需要图片和扫描 PDF OCR
• 内容提取用户：需要从 YouTube、音频等提取内容

学习价值：

• ✅ 文件格式转换的最佳实践
• ✅ Markdown 格式在 LLM 中的应用
• ✅ 插件系统的设计和实现
• ✅ Azure Document Intelligence 集成
• ✅ LLM 图像描述的应用
• ✅ 流式处理和批量处理

欢迎来我中的个人主页找到更多有用的知识和有趣的产品