Python本月中等

microsoft/markitdown

把各类文档转成Markdown格式，方便编辑整理

这是微软AutoGen团队开发的Python工具，可将PDF、Office文档、图片、音频、Youtube链接等10余种格式转换为Markdown，专为LLM文本分析场景优化，兼顾结构还原与token效率。

Stars

149.3k

Forks

10,265

增长

+26.9k（this month）

在 GitHub 打开

Overview

项目介绍

microsoft/markitdown 解决的是把各类文档转成Markdown格式，方便编辑整理这类实际需求。作为开源项目，它把一个明确场景里的关键步骤整理成可复用的开源实现，核心价值在于把原本分散的操作沉淀成更稳定的项目能力。

拆开看，微软官方出品，可靠性高、支持多种Office及常见文件格式和转换后格式还原度好构成了这个项目的主要竞争力。它不是追求大而全，而是先把一个具体环节做顺，再让开发者按自己的环境继续改造。

Technical Route

技术路线

markitdown采用「多格式适配+结构优先+LLM优化」的分层架构，以统一的MarkItDown核心调度层为枢纽，对接格式专属转换模块、可选云服务接口及第三方插件，实现10余种格式到Markdown的转换。核心逻辑围绕LLM文本分析场景设计，兼顾文档结构还原与token效率，用户理解该路线可按需选择轻量本地转换或高精度云服务模式，平衡性能与成本。

1格式适配转换层：针对PDF、Office文档、音频、Youtube链接等不同格式，提供专属转换模块，如PDF依赖可选的Azure Document Intelligence（文档智能服务），音频通过本地转录或Azure Content Understanding（内容理解服务）处理，确保不同格式的内容精准提取。
2核心调度控制层：以MarkItDown类为核心，统一接收转换请求，根据文件类型自动匹配对应转换模块，支持插件扩展、LLM客户端注入等配置，同时处理权限管控，提醒用户在非可信环境中使用窄范围convert_*函数保障安全。
3云服务增强层：提供Azure Content Understanding和Azure Document Intelligence两种云服务接入能力，前者支持多模态转换、结构化字段提取并生成YAML前置元数据，后者专注高精度文档布局还原，满足不同质量需求的转换场景。
4LLM辅助处理层：支持接入OpenAI兼容的LLM客户端（如GPT-4o），针对图片、PPT内嵌图像等内容生成描述文本，还可通过markitdown-ocr插件实现基于LLM视觉的OCR提取，无需额外ML库依赖。
5插件扩展机制：支持第三方插件集成，默认禁用，用户可通过--use-plugins参数启用，内置markitdown-ocr插件示例，开发者可基于packages/markitdown-sample-plugin模板开发自定义转换逻辑，拓展支持格式或处理能力。
6多端交互层：提供CLI命令行与Python API两种交互方式，CLI支持文件路径、管道输入、输出指定等操作，Python API支持实例化配置、批量转换、云服务参数自定义，适配自动化脚本与交互式开发场景。

Why Trending

为什么它会上榜

结合增长、最近更新与社区关注，给出一个更接近“决策参考”的上榜解读。

社区关注度上升：近期新增 +26881 Stars（this month），讨论热度明显提高。
定位清晰：这是微软推出的Python工具，能把Office文档、常见格式文件转为Markdown，适配多种文件类型，适合内容整理场景。

Audience

适合谁

需要将多格式文档转为Markdown用于LLM分析的AI开发者
日常需整理PDF、Office文档为Markdown的内容创作者
办公中频繁进行格式转换的职场人群
搭建自动化文档处理管道的独立开发者

Use Cases

能拿来做什么

内容创作者整理素材
开发者转写文档
学生整理课件笔记

Quick Start

怎么开始

请看仓库README的安装章节

Watchouts

使用前注意事项

工具以当前进程权限访问资源，处理不可信文件时需先 sanitize，优先使用`convert_local()`等权限范围更窄的函数。
安装[all]依赖包会占用较多磁盘空间，若仅需转换特定格式，建议安装对应细分依赖以减少资源消耗。
使用Azure文档智能、Azure内容理解等云端服务时，会产生Azure API调用费用，需提前配置预算并限制调用范围。