一次搞定 14 种格式文档转换anydoc 把 Word、PDF 统统变成干净 Markdown【免费下载链接】anydocConvert Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV, and PDF to clean Markdown. Built in Rust, with Node.js and Python bindings.项目地址: https://gitcode.com/gh_mirrors/any/anydocanydoc 是一款基于 Rust 开发的开源文档转换工具能把 Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV、PDF 等 14 种常见格式统一转换为整洁的 GitHub-Flavored Markdown并原生提供 Node.js 与 Python 绑定。简单说它解决的是收了一堆乱七八糟的文档却想要一种统一、干净的纯文本这个高频难题。先从一个真实场景说起想象一下这个画面你刚接手一批历史资料文件夹里既有十年前的老式 .doc也有上周刚生成的 .pptx 演示文稿还有同事随手甩过来的 .xlsx 表格和一本 .epub 电子书。你想把它们整理成统一的笔记或知识库却卡在了第一步——格式。打开一个工具只支持 docx另一个只处理 PDF还有一个收费还要联网上传。折腾一下午文档还在原地你已经在复制粘贴里浪费了全部耐心。这正是 anydoc 想替你省掉的那一下午。anydoc 是什么文档界的翻译官用一句话概括它是一个多语种翻译官只不过翻译的不是语言而是文档格式。无论喂进来的是二十年前的 .doc还是昨天的 .pptxanydoc 都会把它们转译成同一种语言——GitHub-Flavored Markdown。而 Markdown 恰好是所有现代工具链的通用语写博客、喂给大模型、存知识库、生成网页全都认它。背后是纯 Rust 实现不依赖 LibreOffice、不调用外部服务、不拖一个庞大的运行时。它就是一个可编译、可嵌入、可离线运行的库。核心思路一份模型统一输出anydoc 最特别的设计是所有格式先解析进同一个共享文档模型再经由同一个 Markdown 序列化器输出。这意味着什么意味着修一次处处生效。比如修复了 docx 表格转义的 bugrtf、odt、xlsx 的表格渲染问题也一并解决了因为大家走的是同一条渲染管道。输出的一致性是有保障的而不是每个格式各写一套逻辑、各有各的毛病。相关实现可以在src/formats/下按格式逐一看docx 的正文解析在src/formats/docx/content.rs电子表格逻辑在src/formats/sheet/mod.rs最终渲染落在src/render/markdown/table.rs。认内容不认扩展名另一个贴心之处是格式检测逻辑。anydoc 不信任扩展名而是读取文件本身的签名来判断真实格式——PDF 的文件头、RTF 的开头结构、OLE 的流名称、ZIP 包内的 mimetype都在判断依据之列。所以即使有人把 .docx 改名成 .txt 发给你它照样能正确识别并转换。唯一的例外是 CSV它没有格式签名需要你通过扩展名或显式参数来指定。14 种格式速查表文档家族覆盖格式典型扩展名Worddoc、docx、docm.doc / .docx / .docmPowerPointppt、pptx 及模板系列.ppt / .pps / .pot / .pptx / .pptm / .ppsx / .ppsmExcelxls、xlsx、xlsm、xlsb.xls / .xlsx / .xlsm / .xlsbOpenDocumentodt、ods、odp.odt / .ods / .odp其他rtf、epub、csv、pdf.rtf / .epub / .csv / .pdf别小看这张表背后的工程量。市面上不少转换工具只覆盖其中几个格式能一口气全部拿下的并不多见。转换时文档里的骨架会被尽量保留带锚点的标题、加粗斜体删除线、行内代码与代码块、链接与内部交叉引用、带原始编号的多级列表、支持合并单元格的表格、引用块、脚注尾注甚至 PPT 的演讲者备注都会出现在输出的 Markdown 里。为什么值得把它放进你的工具箱四个理由说给你听快得不像话。纯 Rust、无机器学习模型、无网络请求实测中位转换耗时约 4.4 毫秒一个文档批量处理几百个文件也只是眨眼间的事。覆盖面全。14 种格式全部支持同一个管道输出同样风格的 Markdown不用为了不同格式搭配不同的工具。结构不丢。不是简单地抽字符串而是保留标题层级、表格结构、列表编号等 Markdown 能表达的语义。为 AI 时代而生。干净、结构化、无噪声的 Markdown 正是喂给大模型做 RAG 或微调的理想素材这也是它最初被设计出来的目的之一。三步完成第一次转换上手路径很直白按这三步走就行。第一步拿到源码git clone https://gitcode.com/gh_mirrors/any/anydoc仓库里同时包含 Rust 核心、Node.js 绑定、Python 绑定和 WebAssembly 构建想深入看哪部分都有现成代码。第二步装好运行时Rust 项目直接通过 cargo 引入cargo add anydoc用 Node.js 就装 npm 包用 Python 就装 PyPI 包二选一即可见下一节。第三步命令行秒转如果你只是偶尔转几个文件甚至不用写任何代码。npm 包自带了anydoc命令行工具npx firecrawl/anydoc report.docx npx firecrawl/anydoc slides.pptx -o slides.md npx firecrawl/anydoc - --format csv data.csv第一行直接把 Markdown 打印到终端第二行写到指定文件第三行演示了从标准输入读取。几秒钟就能体验完整的转换能力。Node.js 与 Python 绑定怎么选两种绑定底层都是同一个 Rust 内核输出结果完全一致差别主要体现在你的技术栈上。Node.js 场景import { toMarkdown, toMarkdownBytes } from firecrawl/anydoc; const markdown await toMarkdown(report.docx); const fromBytes await toMarkdownBytes(bytes);值得注意的实现细节是转换运行在 libuv 线程池上不会阻塞 Node 的事件循环适合放在服务端接口里作为请求处理的一环。包内自带 TypeScript 类型声明编辑器提示开箱即用。Python 场景import anydoc markdown anydoc.to_markdown(report.docx) markdown anydoc.to_markdown_bytes(data)Python 侧则会在转换期间释放 GIL其他线程照常运行不会拖慢你的多线程任务。包内附带类型存根stubIDE 补全体验同样完整。怎么选一句话Node 生态选 npm 包数据科学或脚本场景选 Python 包两边能力对齐不构成选型的压力。常见问题速答遇到加密或损坏的文档会怎样不会让整个流程崩溃。anydoc 定义了明确的错误类型——加密文档、格式不支持、结构损坏、超出资源限制等都会返回对应错误你可以捕获后记录文件、跳过、继续处理下一个很适合批处理流水线。文档里的图片怎么处理Markdown 本身无法内嵌二进制所以嵌入图片会以 alt 文本形式出现在输出中原始字节仍保留在文档模型里并带媒体类型标签。带外部 URL 的图片则会转成普通的 Markdown 图片。扫描版 PDF 能转吗文本型 PDF 可以在本地直接转换无需 OCR 服务。纯扫描图片组成的 PDF 则不在能力范围内——这属于 OCR 的范畴而不是格式转换。小结anydoc 的价值一句话就能说清让你不再为文档格式发愁。它把 14 种常见格式统一翻译成干净的 Markdown速度快、覆盖全、结构保留完整还贴心地提供了 Node.js、Python、WebAssembly 等多端能力且以 MIT 协议开源可以放心集成到自己的产品里。下次再收到一文件夹五颜六色的文档别再手动复制粘贴了把它交给 anydoc 就好。【免费下载链接】anydocConvert Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV, and PDF to clean Markdown. Built in Rust, with Node.js and Python bindings.项目地址: https://gitcode.com/gh_mirrors/any/anydoc创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考