microsoft/markitdown 两天涨 2000 星：把 PDF/Word/PPT/Excel 一键转 Markdown，微软官方维护

GitHub Trending 上 microsoft/markitdown 9 月 7-8 日两天涨了 2045 颗星，进入 Python 类目全球前 10。这个项目做的事非常简单：把任意常见办公文件（PDF、Word、PPT、Excel、图片、音频、YouTube 链接）转成结构清晰的 Markdown 文本。它是微软在 GitHub 上少数仍由官方团队直接维护的工具型仓库之一，过去三个月保持着每周一个 commit 的迭代节奏。

一、解决了什么痛点

做 RAG 的人最头疼的事情之一是”清洗数据”。PDF 是设计语言，里面有字体、颜色、表格、嵌入图；Word 文档是 XML，可以解析但很多元数据噪声；PPT 和 Excel 的内容是结构化的，但导出成纯文本时层级全失。markitdown 做的事情是用统一的输入接口，把这些异构格式压平成同一个 Markdown 表示。

它特别适合的场景是：把一批 PDF 论文或 Word 报告丢进 RAG 知识库之前，先用 markitdown 转一遍 Markdown——之后 chunk、embedding、重排序这一套标准流水线就不用再为不同格式写适配代码。

二、15 行 Python 跑通基础用法

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("quarterly_report.pdf")
print(result.text_content[:500])

默认转换器对 PDF 使用 pdfminer，对 Word 使用 mammoth，对 PPT 使用 python-pptx，对 Excel 使用 openpyxl。安装时可以用可选依赖按需引入：

pip install markitdown[all]
# 或者只装 PDF 支持
pip install markitdown[pdf]

它还支持把 YouTube 链接转成 Markdown（拉字幕转写）、把图片转成 Markdown（OCR 后压成一段文字 + 描述）、把音频文件转 Markdown（先 ASR 再压文字）。每一种格式的转换器都可以替换，用户可以自己实现一个 PDF 解析器塞进去。

三、和替代方案的差异

市面上 PDF 转 Markdown 的工具不少——Marker、Marker-PDF、Nougat、Unstructured、Pandoc。差异主要在三处：

第一，维护方。markitdown 由微软的 AI Platform 团队直接维护，issue 响应时间通常在 24-48 小时内，PR 接受率较高。Marker 和 Nougat 是独立开发者的项目，迭代速度依赖作者个人时间。

第二，接口设计。markitdown 提供 Python API 和 CLI 两套入口，API 简单到只有 `convert()` 一个方法，CLI 则是 `markitdown input.pdf > output.md`。相比之下 Unstructured 的 API 学习曲线更陡，因为它要兼顾”分块（chunking）”和”元素提取”两件事。

第三，质量上限。对学术论文或含复杂数学公式的 PDF，Nougat 的识别质量更高（它专门为 arXiv 风格训练过）；对扫描版 PDF，Marker 的处理更好。但对办公文档为主的场景，markitdown 的输出已经足够干净。

四、适合谁

适合把企业内部 PDF/Word 知识库接入 RAG 的工程师；适合做论文批量预处理的科研人员；适合任何想”少写一行解析代码”的人。不适合需要从扫描版 PDF 里精确还原表格和公式的场景——这时候用 Marker 或 Nougat 仍更稳。

五、限制

markitdown 对加密 PDF、复杂排版的扫描件、含嵌入视频的 PPTX 支持有限。它是一个”清洗层”而不是”完美解析器”——输出结果通常需要二次校验。但作为知识库流水线的前置步骤，它已经能砍掉 80% 的格式适配代码。

六、几个实战小贴士

第一，配合 Azure Document Intelligence 使用效果更好——markitdown 默认对扫描版 PDF 的 OCR 走的是基础 Tesseract，遇到复杂表格容易丢列。可以把 PDF 转换器替换为 Azure 版的 `markitdown[azure-doc-intel]`，准确率提升一个量级。第二，对 PPT 文件，建议先用 `python-pptx` 把 speaker notes 提取出来合并到正文——markitdown 默认只转幻灯片标题和正文，演讲者备注会被丢弃。第三，对图片文件（PNG/JPG），转换结果中会带一段 OCR 文字 + 一行 “Description:”——后者是 placeholder，需要用真实的多模态模型替换以获得图像描述。

过去三年 markitdown 累积的 commit 已经超过 800 个，issue 关闭率维持在 70% 以上——对一个工具型项目来说是健康数据。微软把它定位为”AI 数据接入层”而非简单的格式转换器，这意味着它的功能边界会随着 AI 编程框架的演化而扩展。如果你正在做 RAG 或 Agent，markitdown 是值得加入项目 requirements.txt 的工具。

— END —
LC 智趣厅 · 科技与生活的交点
ihygg.cn