在 RAG 应用中，处理多样化文件格式是一项常见且充满挑战的任务，其中 PDF 文件的解析尤其让开发者感到棘手。近期，微软开源了 Markitdown 这一 Markdown 转换工具，号称能将任意文件转换为 Markdown 格式。短短数日便飙升至 23K 星标，它究竟有何过人之处？其 PDF 解析能力到底如何？本文将深入探讨该工具的性能与潜力。

1. 简介

Markitdown 不仅支持将微软自家的 Office 文件格式转换为 Markdown，其他常见的 PDF、HTML 格式同样可以处理，甚至还能直接处理 Audio 音频文件，自动将其转写为文本。对于图像类文件，则可配置大模型自动生成描述文本。

• PDF
• PowerPoint
• Word
• Excel
• Images
• Audio
• HTML
• 各种其他基于文本的格式 (csv, json, xml, 等等)
• ZIP 压缩包 (自动遍历内容)

介绍完毕，开始实测。

2. 安装

安装过程非常简便，只需执行下方命令即可完成。

pip install markitdown

3. 简单使用

使用方法同样简单，既支持命令行调用，也支持 Python API 集成。

• 命令行方式

markitdown path-to-file.pdf > document.md

• API 方式

from markitdown import MarkItDown
from openai import OpenAI

client = OpenAI()
md = MarkItDown(llm_client=client, llm_model="gpt-4o")
result = md.convert("exmaple.pdf")
print(result.text_content)

4. 测试 PDF

大家最关心的还是 PDF 文本的转换效果——之前的测评文章已经讨论过，PDF 解析的难点主要在于表格和复杂布局的提取，纯文本提取基本没有问题。那么 markitdown 在表格提取方面的表现如何？我们不妨以《LightRAG》论文为例进行转换测试。

markitdown lightrag.pdf > lightrag.md

• 原文表格

LightRAG 中包含一个复杂表格，此处不再展示，改用最简单的表格进行对比。

• 提取后表格

可以说样式完全丢失，连最基本的表格框架都没有保留，更严重的是文字内容的排列顺序也出现了错误。为何效果如此之差？这跟 markitdown 的实现机制有关，下面我们来一探究竟。

5. 一探深浅

markitdown 的代码量非常少，核心实现仅包含两个文件：入口文件 __main__.py 和具体转换逻辑 __markitdown.py。入口代码相当简单，主要负责接收文件并调用 convert 方法。

parser.add_argument("filename", nargs="?") 
args = parser.parse_args() 
if args.filename is None: 
    markitdown = MarkItDown() 
    result = markitdown.convert_stream(sys.stdin.buffer) 
    print(result.text_content) 
else: 
    markitdown = MarkItDown() 
    result = markitdown.convert(args.filename) 
    print(result.text_content)

markitdown 会根据文件的扩展名自动选择合适的转换器。下面重点看一下 PDF 转换器的实现。

class PdfConverter(DocumentConverter):
    """
    Converts PDFs to Markdown. Most style information is ignored, so the results are essentially plain-text.
    """

    def convert(self, local_path, **kwargs) -> Union[None, DocumentConverterResult]:
        # Bail if not a PDF
        extension = kwargs.get("file_extension", "")
        if extension.lower() != ".pdf":
            return None

        return DocumentConverterResult(
            title=None,
            text_content=pdfminer.high_level.extract_text(local_path),
        )

是的，你没有看错：它实际上只是调用了 pdfminer 的提取函数。因此，这个工具的核心目标其实是集成各类开源工具包，统一输出为 Markdown 格式。看了这两个文件你就会明白，对 markitdown 不必抱有过高期望——它并非某个格式的深度解析器，仅仅是一个轻量级的封装器（Wrapper），而非解析器（Parser）。