企业官网建设流程全解析

MarkItDown 完整指南：PDF、Word、Excel 三步转 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/markitdown

手里有 20 份 PDF 报告和 PPT 要喂给 LLM，逐个打开、逐段复制粘贴，根本干不完。MarkItDown 是一个轻量级 Python 工具，专治这件事：一条命令把各种文件转成 Markdown，标题、列表、表格的结构都保留下来。

它是什么，替你省掉了什么

以前把一份文档变成模型能读的文本，要做三步：打开文档、选中内容复制、再手工清理格式。PDF 更麻烦，手动复制出来的排版经常是乱的。

现在只剩一步：把文件交给 MarkItDown，它直接吐出 Markdown。这个工具的定位很明确，只做文件转 Markdown 这一件事。它的目标不是让人眼看着舒服，而是让结构对机器可读——标题变成#，表格变成管道表，列表变成-，链接保留地址。

三步跑通最小可用路径

第一步，安装。需要 Python 3.10 以上：

pip install 'markitdown[all]'

括号里的[all]会把所有格式的依赖一次装齐；只处理少数格式的话，也可以单独装[pdf, docx]，体积小一些。

第二步，转换一个文件：

markitdown path-to-file.pdf > document.md

把文件路径传进去，转换结果就写进 document.md；不想用重定向的话，用-o参数指定输出文件也行。

第三步，在自己的 Python 代码里调用：

from markitdown import MarkItDown md = MarkItDown() result = md.convert("test.xlsx") print(result.text_content)

上面五行就是最常用的用法：创建实例、调convert()传文件、从结果对象里取出 Markdown 文本。

想从源码跑也可以：

git clone https://gitcode.com/GitHub_Trending/ma/markitdown cd markitdown pip install -e packages/markitdown[all]

这是源码安装路径，pip install -e表示可编辑安装，改代码立即生效。

核心能力拆解

带结构地转 PDF 为 Markdown

场景：你下载了一篇论文 PDF，想提取要点让模型总结。 它做了什么：逐页解析 PDF，标题转成#开头，表格转成 Markdown 表格语法，文内链接也不丢。 你拿到什么：一份保住结构的 .md 文件，直接进后续的检索或总结流程。

LLM 图片描述怎么配

场景：PPT 和图片文件本身几乎没有文字，普通转换完等于空白。 它做了什么：构造时传入llm_client和llm_model，转换时每个图片都会自动调视觉模型生成描述。 你拿到什么：输出 Markdown 里每张图都带文字说明，普通 LLM 也读得懂。

from markitdown import MarkItDown from openai import OpenAI md = MarkItDown(llm_client=OpenAI(), llm_model="gpt-4o") result = md.convert("slides.pptx") print(result.text_content)

上面这段代码传入了一个视觉模型客户端。转换过程中每遇到一张图片，它会把图发给模型，并把返回的描述插到图片对应的位置。

扫描件怎么配 OCR 插件

场景：扫描件 PDF 全是图片，内置转换一个字都提不出来。 它做了什么：官方的markitdown-ocr插件复用同一套llm_client机制，对 PDF、Word、PPT 里的图片做 OCR。 你拿到什么：扫描图片里的文字被提取进 Markdown。不传llm_client时插件不生效，自动回落到内置转换器。

pip install markitdown-ocr openai

装上后在构造函数里加enable_plugins=True即可启用。

进阶：批量转换怎么配

一个目录里堆满了文件，想一次全转：

import os from markitdown import MarkItDown md = MarkItDown() os.makedirs("out", exist_ok=True) for name in os.listdir("docs"): if name.endswith((".pdf", ".docx", ".xlsx")): text = md.convert(os.path.join("docs", name)).text_content with open(f"out/{os.path.splitext(name)[0]}.md", "w") as f: f.write(text)

效果：跑一遍，docs 下每个受支持的文件都在 out 里多出一份同名 .md。这是给知识库或向量库做预处理的标准步骤。

端到端实战：把一篇论文 PDF 变成摘要素材

背景：刚下载了一篇论文，想让模型先读一遍再写一页摘要。

操作步骤：仓库 tests 目录里自带测试文件，命令可以直接照抄：

markitdown packages/markitdown/tests/test_files/test.pdf -o paper.md

换成自己的文件时把路径替换掉，比如markitdown my-paper.pdf -o paper.md。

最终产出：paper.md 里是按 Markdown 排好的论文标题、作者列表、章节标题和摘要，测试文件的第一页长这样：

把 paper.md 直接丢给 LLM，问"这篇论文的核心方法是什么、做了哪些实验"，模型能基于结构化文本回答，而不是对着扫描件干瞪眼。

选型参考：和 pandoc、textract 怎么选

对比 pandoc。pandoc 的格式种类和输出类型更多，适合 md 转 HTML、转 epub 这类文档发布流程。MarkItDown 只朝一个方向做：转成给机器读的 Markdown，结构保留面向 LLM。做文档发布管线选 pandoc，喂模型选这个。

对比 textract。textract 只提纯文本，结构全丢。它的输出保住标题、表格、列表，下游工具用起来顺手得多。

对比 Azure Document Intelligence 这类云服务。内置转换全程本地跑，不花钱；要处理扫描 PDF、复杂表格，再按需接云端端点，代价是每次调用都是一笔 API 费用。

收尾：现在就可以动手

它把"打开文档、选文字、清格式"压缩成一条命令，产出模型直接能读的 Markdown。

去跑一下markitdown 你的文件.pdf，半分钟后就能看到第一份转换结果。

【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