markitdown 是微软出的一个转换器，把各种文档转成 Markdown：PDF、Word、PPT、Excel、图片、音频、HTML、CSV、ZIP。它的目标场景很明确，是给大模型喂资料。你把一堆文档转成纯文本，再塞进知识库或者上下文，模型才读得进去。

装完是一个命令

它是个 Python 包，装完多一个 markitdown 命令：

pip install markitdown
markitdown 文件.pdf          # 输出到屏幕
markitdown 文件.docx -o 文件.md   # 输出到文件

用法上没有任何配置项，输入什么格式它自动判断。这对批量处理很友好：写一个循环遍历目录，不管里面混着 pdf 还是 docx，一条命令一个。

HTML 转出来结构全在

拿一个带标题、表格、列表、链接的 HTML 试：

标题 h1：2026 Q3 实测汇总
段落 p：本季度共测了 12 个项目，其中 9 个通过（12 是加粗）
表格 table：3 列 3 行
列表 ul：2 条 li
链接 a：查看详情，指向 shiceku.com

输出是标准的 Markdown：

# 2026 Q3 实测汇总

本季度共测了 **12** 个项目，其中 9 个通过。

| 项目 | 耗时 | 结果 |
| --- | --- | --- |
| uv | 0.165s | 通过 |
| httpie | 1.2s | 通过 |

* 表格渲染正常
* 中文没乱码

[查看详情](https://shiceku.com)

标题层级、加粗、表格、列表、链接，一个都没丢。中文也没出现乱码，这一点比很多同类工具强。

CSV 变成 Markdown 表格

CSV 输入，它直接给你排成 Markdown 表格，带表头分隔线：

| 项目 | 耗时 | 结果 |
| --- | --- | --- |
| uv | 0.165s | 通过 |
| httpie | 1.2s | 通过 |
| rich | 0.266s | 通过 |

这个转换对喂模型很有用：CSV 是一堆逗号，模型容易数错列；Markdown 表格有竖线对齐，行列关系一眼能看出来。

1000 行 CSV 用 1.7 秒

同样 6 列，测三档：

输入大小耗时输出
HTML（简单页）480 字节1691 毫秒约 200 字节
CSV（3 行）60 字节1586 毫秒约 120 字节
CSV（1000 行 × 6 列）40,399 字节1617 到 1742 毫秒54,452 字节

注意三档的耗时几乎一样，都在 1.6 到 1.7 秒。因为大头不在转换，在 Python 启动和 import 依赖：同样环境跑一个不联网的命令也要 1.2 秒左右。真正的转换只占 0.3 到 0.5 秒，1000 行 CSV 也没让这个数涨多少。

想批量转几百个文件，别一个个敲命令，直接在 Python 里 import 它：

from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("文件.pdf")
print(result.text_content)

这样只启动一次解释器，几百个文件省下来的时间就是几百秒。

输出体积会涨 1.35 倍

40,399 字节的 CSV 转出来是 54,452 字节，涨了 1.35 倍。原因是 Markdown 表格每行都要加竖线和分隔线，原本一个逗号变成一个「竖线空格逗号空格竖线」。这个膨胀在接受范围内，但如果你要按 token 付费调模型，就得把这一层算进去。

它支持哪些格式

常见的都覆盖了：PDF、DOCX、PPTX、XLSX、图片（走 OCR）、音频（走语音转写）、HTML、CSV、JSON、XML、ZIP、EPUB，还有 YouTube 链接。

图片和音频这两类要额外装依赖，OCR 和转写不是开箱就有的。装的时候用 pip install markitdown[all] 会把它们一起带上，体积会大不少。

什么时候别用它

它只负责「把结构抽出来变成文本」，不负责保留原始排版。如果你要的是把 PDF 原样转成 Word 保持字体和页边距，它做不到，那是另一类工具的事。

扫描版 PDF 也是一样：如果整页是图片没有文字层，它要么走 OCR 要么直接给你空内容，取决于你有没有装 OCR 依赖。转之前先确认 PDF 里能选中文字。

没测的部分列一下，3 项：PDF 与 DOCX 的实际转换质量 / 图片 OCR 的识别率 / 音频转写的耗时。