MarkItDown 文档转 Markdown 工具

能做什么

MarkItDown 是一个轻量级 Python 工具库，用于将各类文件转换为 Markdown，重点在于保留文档结构（标题、列表、表格、链接等），输出可供 LLM 和文本分析流水线消费。

支持转换的格式（按项目说明）包括：PDF、PowerPoint、Word、Excel、图片（EXIF 元数据与 OCR）、音频（EXIF 元数据与语音转写）、HTML、文本类格式（CSV、JSON、XML）、ZIP（遍历内部内容）、YouTube URL、EPub 等。

提供命令行与 Python API 两种使用方式，并支持 Docker 运行。

适用场景

• 为 LLM 或 RAG 类文本分析流程准备输入数据
• 将办公文档、网页、压缩包等异构格式统一转为 Markdown
• 通过插件或 Azure 服务扩展转换能力（OCR、结构化字段抽取、音视频处理）

使用条件与限制

• 需要 Python 3.10 至 3.14，建议使用虚拟环境。
• 通过 pip 安装，可用 [all] 安装全部可选依赖，或按格式单独安装（如 [pdf]、[docx]、[pptx]、[xlsx]、[xls]、[outlook]、[audio-transcription]、[youtube-transcription] 等）。
• 输出面向文本分析工具，未必适合追求高保真的人类阅读文档转换。
• 插件默认禁用，需显式启用以列出或使用第三方插件。
• 部分能力依赖外部服务：Azure Document Intelligence、Azure Content Understanding（后者的音视频与结构化字段抽取为云服务，会产生计费 API 调用）；图片描述与大模型相关能力需要自行提供 llm_client 与 llm_model。
• 安全方面：MarkItDown 以当前进程权限执行 I/O，可访问进程本身可访问的资源；在不可信环境中必须对输入做校验与限制，并优先调用最小范围的转换接口（如 convert_local()、convert_stream()、convert_response()）。
• 仓库定位为可被集成的 Python 库，不接受 Web 服务、REST/HTTP API、前端或桌面/移动应用等额外应用形态的贡献。