MarkItDown：把多种文件转成 Markdown 的 Python 工具

用途与支持格式

MarkItDown 是一个轻量级 Python 工具，目标是把各类文件转换为 Markdown，供 LLM 和文本分析流程使用。它强调保留文档结构（标题、列表、表格、链接等），输出偏向机器消费而非高保真的人类阅读排版。

来源列出的支持格式包括：PDF、PowerPoint、Word、Excel、图片（EXIF 元数据与 OCR）、音频（EXIF 与语音转写）、HTML、文本类格式（CSV、JSON、XML）、ZIP（遍历内容）、YouTube URL、EPub 等。

为什么用 Markdown

来源认为 Markdown 接近纯文本、标记极少，同时能表达文档结构；主流 LLM 对 Markdown 较熟悉，且 Markdown 约定在 token 使用上较高效。

使用方式

提供命令行与 Python API 两种用法。命令行可通过管道输入或 -o 指定输出文件。可选依赖按格式拆分（如 pdf、docx、pptx、xlsx、outlook，以及 Azure 相关和音频、YouTube 转写等），也可安装 [all]。插件默认关闭，可用 --use-plugins 开启，并有官方示例插件。

扩展与云服务

来源介绍了 markitdown-ocr 插件：为 PDF、DOCX、PPTX、XLSX 转换器增加 OCR，借助 LLM Vision 从内嵌图片提取文本，复用已有的 llm_client / llm_model 模式；未提供 llm_client 时插件仍加载但静默跳过 OCR。 此外支持 Azure Content Understanding（结构化字段抽取为 YAML front matter、多模态、可配置分析器，单次转换是计费 API 调用）和 Azure Document Intelligence。Python API 中可为图片描述传入 llm_client 与 llm_model。

限制与待核实

来源明确说明输出面向文本分析工具，可能不是高保真文档转换的最佳选择。安全方面，MarkItDown 以当前进程权限执行 I/O，可能访问进程可访问的资源；在不可信环境中需净化输入，并尽量调用最窄的转换方法（如 convert_stream()、convert_local()）。运行环境要求 Python 3.10–3.14。来源未给出具体版本号、性能数据或价格细节。