MarkItDown：把 PDF/Office 转成 Markdown 喂给大模型

做 RAG 或拿本地文档微调时，最大的痛点往往是 PDF 排版乱、Word 表格识别难、图片里的文字还要另外 OCR。微软开源的 MarkItDown 把这一串流程收成一条命令：PDF、Word、Excel、PPT、图片、音视频都能转成干净的 Markdown，喂给大模型之前省掉大量手工清洗。特别适合正在搭知识库、做 Agent 数据预处理，或者只是想用 ChatGPT 分析本地文件的朋友。

核心看点

– 格式覆盖广：Office 三件套、PDF、EPUB、HTML 甚至带文字的视频、音频都能处理，图片可走 OCR 提取文字，算是给 LLM 准备的“万能转马克钉”。
– CLI 与库双形态：既能在终端一行命令转换，也能 from markitdown import MarkItDown 嵌入 Python 脚本，接进 RAG、Agent 的数据管线很顺。
– 扩展机制友好：自带 MarkdownConverter 基类，想接自己的 OCR、ASR 服务或私有解析器都可以，不用等官方更新。

适合谁

做 RAG 的知识库工程师、需要给大模型预处理文档的开发者，以及日常整理资料的信息工作者。Python 环境 3.10+ 即可，基础转换在本地完成不需要 GPU；若要用云端 OCR/ASR，可以在配置里接入 Azure 等服务，官网 README 有例子。许可证是 MIT，放心二开。

如果你想看完整的支持列表和接入方式，直接翻 README 上的示例，比文档还直观。对了，项目最近还在更新，提 issue 也是有人管的。顺手去 MarkItDown 仓库 点个 Star 备用，下次同事让你解析脏文件时就能拿出来顶上了。