AI 开源雷达 #002｜微软开源 MarkItDown：20+ 文档一键转 Markdown，实测用数据说话

先部署、再实测、后下结论。这篇不读 README，直接上数据。

MarkItDown 一句话概览

微软 AutoGen 团队开源的 Python 工具（GitHub 16 万 Star，MIT 协议）。核心就一个函数：convert(任意格式) → 干净 Markdown。

支持 20+ 格式：PDF（含扫描件 OCR）、Word、PPT、Excel、EPUB、HTML、CSV、JSON、XML、图片、音频转写、ZIP 批量、YouTube 字幕。

为什么值得关注

当前 AI 内容管线最大的断层不是模型能力不够，是文档格式的割裂。

PDF 一个库、Word 一个库、PPT 又一个库——每家写一套转换代码，每套都有边缘 case 要处理。更麻烦的是，不同格式的输出质量不一致，后续的总结、切片、向量化每层都要做格式适配。

MarkItDown 做的是一件很朴素的事：把格式差异挡在管线最前面，后面全部走 Markdown。 不是新概念，但微软用一个 16 万 Star 的开源项目把它做到了可工程化。

核心能力

• 一套 API 通吃 20+ 格式：md.convert("文件.pdf") 和 md.convert("文件.pptx") 的调用完全一致
• 输出规范性：标题层级、列表结构、表格格式、链接全部保留，不是粗暴抽文本
• 可扩展：支持外接 LLM（GPT-4o）做图片描述，支持插件式注册自定义转换器
• 工程化好：PyPI 周下载量 150 万，Apple / Canva / Stanford / Zapier 都在用

适飞什么人

需要构建文档预处理管线的人——内容策展、知识库搭建、RAG pipeline、博客自动化发布、Obsidian 知识管理。一句话：只要你有多种格式的文档要统一处理，这就是你可以站在上面的肩膀。

与当前工作流如何结合：实测数据说话

以下所有数据来自实际部署测试，不是 README 复读。

部署环境

本地服务器，Debian 12，Python 3.11。安装命令：

pip3 install markitdown[pdf,pptx,xlsx]
apt install tesseract-ocr tesseract-ocr-chi-sim
pip3 install pytesseract pdf2image

两条 pip 命令 + 一个 apt，五分钟完事。

测试 1：中文文本 PDF（1.2MB 专利说明书）

结果：⭐⭐⭐⭐⭐

52 行输出，13KB 内容。权利要求书、说明书、技术领域的标题层级全部保留，中文段落干净无乱码。连「CN 205751874 U」这样的专利号、附图说明（图1-图4）都准确提取。

结论：文本型 PDF 完全可用，无需额外处理。

测试 2：中文扫描 PDF（1.4MB 专利证书，全图片页面）

结果：⚠️ 需要 OCR 预处理

MarkItDown v0.1.6 不自带扫描件 OCR。识别需要组合工具：

扫描 PDF → pdf2image → pytesseract(chi_sim) → Markdown

实测单页 300 DPI 耗时 9 秒，内存 ~970MB。质量？对专利证书这种带特殊字体（宋体加粗、印章字体）的文档，识别率约 60%——"聚丙烯薄膜电容器"成了"聚两炳淹膜电容器"，"王天祥"成了"王天和储"。

这不是 MarkItDown 的问题，是 Tesseract 对特殊字体的天花板。日常文档（印刷体、标准宋体）效果会好很多。对高精度 OCR 场景，建议用专用 OCR 服务替代 Tesseract。

测试 3：PPTX（35KB，含中文表格/流程图/图片）

结果：⭐⭐⭐⭐⭐

5 页幻灯片全部正确转换：

• 中文表格 → Markdown 表格（格式工整，没有错位）
• 中文要点 → 列表结构
• 流程图（矩形+箭头）→ 层级文本描述
• 图片 → 占位符 ![alt text](Picture.jpg)

表格和文字内容的保留程度超出预期，PPT 转 Obsidian 笔记这条路通了。

测试 4：XLSX（6KB，含中文数据 2 个 Sheet）

结果：⭐⭐⭐⭐

数据完整转成 Markdown 表格。Sheet 名（销售数据 / 汇总）保留为 H2 标题。实测数据中 10 行中文产品名（智能音箱、学习平板、无线耳机等）全部正确。

⚠️ 注意：Excel 公式（SUM / AVERAGE）转换后显示为 NaN。MarkItDown 读的是值不是公式，这点在意料之中。

测试 5：EPUB

结果：⭐⭐⭐⭐⭐

元数据（标题、作者、语言）全部提取，正文内容干净。测试文件是一段《乡土中国》相关的中文内容，输出无任何编码问题。

测试 6：大文件压力（100MB PDF）

结果：✅ 性能优秀

100MB PDF 完成时间 0.58 秒，峰值内存 357MB，CPU 利用率 183%，无崩溃，无卡顿。对于日常文档（几百 KB 到几十 MB）基本是秒出。

测试汇总

我的评分

⭐⭐⭐⭐⭐ — 不是"推荐试试"，是"建议直接上线"。

文档格式转换是内容管线中最无聊但又不得不做的事。MarkItDown 用一个 convert() 把 20+ 格式的统一入口做到了足够工程化，而且实测下来中文支持、大文件性能都过关。

它解决的不是"什么样的模型最好"的问题，而是"模型读到的数据是不是干净的"的问题。在 RAG、知识库、博客自动化的世界里，数据清洗永远比模型选型更值得花时间。

部署建议

推荐部署。 我已将其定位为内容管线的文档标准化层，并封装为 document-normalizer — 以后任何文档先进 MarkItDown，再交给后端管线。具体集成建议：

• 文本 PDF / Word / PPT / Excel / EPUB → 直接走 MarkItDown，不需要额外处理
• 扫描 PDF → 外接 OCR（Tesseract 或其他专业服务），OCR 结果再走 MarkItDown
• 大文件队列 → 建议在 cron 低负载时段运行，避免内存峰值影响其他服务
• 定期更新 → 微软持续维护，通过 pip 保持版本

安装方式

# 基础安装（推荐）
pip3 install 'markitdown[pdf,docx,pptx,xlsx]'

# 命令行使用
markitdown 文档.pdf -o 输出.md

# Python 调用
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("文档.docx")
print(result.text_content)

GitHub：github.com/microsoft/markitdown

📝 本文所有实测数据基于 v0.1.6，在个人服务器 Debian 12 环境完成。

📮 每周更新，欢迎关注。往期内容