MarkItDown：微软开源的万能转换器，PDF/Word/PPT 一键变 Markdown

喂给 AI 的文档格式不对，模型读起来就会丢内容。微软开源的 MarkItDown 专治这件事：把 PDF、Word、Excel、PPT、图片、音频、HTML 统统转成干净的 Markdown，结构、标题、表格都保留下来，直接就能塞给大模型。

为什么转换这一步不能省

直接让模型读 PDF，常见两种翻车：一是扫描版根本没有文字层，模型只能看到空白；二是版面复杂时，表格被打散成一串乱码字符。

MarkItDown 的思路是先做结构化解析，输出带标题层级、列表和表格的 Markdown，模型的阅读效果明显好于原始二进制流。

它同时保留了文档元信息，例如标题、作者等，做知识库入库时这些字段直接可用。

办公文档：Word（docx）、Excel（xlsx）、PowerPoint（pptx）、PDF。

网页与数据：HTML、CSV、JSON、XML、ZIP 压缩包（可递归处理内部文件）。

多媒体与其它：图片（可接 OCR）、音频（可接语音转写）、Jupyter 笔记本、EPUB 电子书，以及 YouTube 视频链接（需要额外组件）。

到本站「AI工具」栏目下载 tar.gz 源码包，解压后进入目录执行安装命令：pip install .

转单个文件：在命令行里指定输入文件与输出文件，例如把季度报告.pdf 转成 report.md。

批量转整个文件夹：写个几行的循环脚本遍历目录，一次性把一柜子文档转成 Markdown，再统一切片入库到你的知识库。

配合本地知识库工具使用：先用它把资料转成 Markdown，再交给检索工具建索引，命中率和答案质量都更稳。

转换前先抽查两三份复杂文档，确认表格没有错位，再批量处理，避免白跑一遍。

扫描件记得先接 OCR 组件，否则转出来只有空白内容。

本文整理自公开资料并附上配套资源；涉及产品的功能与价格以官方页面为准。资源仅供学习交流，请遵循来源许可。