跳至主要内容

anydoc：把任何文档变成 Markdown 的极速转换器

Fen9Pi2026/8/12开源拆解开源拆解大约 9 分钟

前言：文档格式的大统一

2026-08-12 16:23 GMT+8

处理 Office 文档的痛点：

  • 格式多样（Word, PowerPoint, Excel, PDF, ...）
  • 解析复杂（需要理解每种格式的内部结构）
  • 转换缓慢（传统工具动辄数秒）
  • 输出不一致（不同格式转换结果差异大）

理想方案：

一个工具，一个输出，毫秒级速度

今天介绍 anydoc：

Fast Rust library that converts documents into clean GitHub-Flavored Markdown

Built by Firecrawl

一、项目概览

anydoc 是一个极速文档转换工具，将各种 Office 文档转换为干净的 Markdown。

一句话说清楚：

14 种格式，统一输出，毫秒级速度，把任何文档变成 LLM-ready Markdown

项目地址：https://github.com/firecrawl/anydoc 开发团队：Firecrawl 开源协议：MIT 核心语言：Rust 绑定语言：Node.js, Python, Browser (WebAssembly)

支持的格式

14 种格式全覆盖：

格式扩展名
Word.doc, .docx, .docm
PowerPoint.ppt, .pps, .pot, .pptx, .pptm, .ppsx, .ppsm
Excel.xls, .xlsx, .xlsm, .xlsb
OpenDocument.odt, .ods, .odp
Rich Text Format.rtf
EPUB.epub
CSV.csv
PDF.pdf

二、核心特性

1. 统一输出

一个文档模型，一个序列化器：

  • 每种格式解析到共享文档模型
  • 通过单个 Markdown 序列化器渲染
  • 转义、表格、标题锚点、脚注行为一致

价值：

  • 无论输入是 2003 的 .doc 还是昨天的 .pptx
  • 输出格式完全一致
  • 修复一次，所有格式受益

2. 完整文档结构

保留完整结构：

  • ✅ 标题（带锚点）
  • ✅ 粗体/斜体/删除线
  • ✅ 行内代码和代码块
  • ✅ 链接和内部交叉引用
  • ✅ 有序/无序/嵌套/任务列表（保留源编号）
  • ✅ 表格（合并单元格、标题行）
  • ✅ 引用块
  • ✅ 脚注和尾注
  • ✅ 演讲者备注

3. 嵌入资源

图片和嵌入对象：

  • 在 Markdown 中渲染为 alt text
  • 原始字节在文档模型中可用
  • 标记媒体类型
  • 外部 URL 图片变为普通 Markdown 图片

4. 基于内容的格式检测

从字节本身读取格式：

  • PDF 头
  • RTF open group
  • OLE 流名称
  • ZIP 包 mimetype
  • CSV 需要扩展名或显式格式

价值：

  • 错误标记的文件仍能正确转换
  • 不依赖文件扩展名

5. 极速转换

性能数据：

  • 纯 Rust 实现
  • 无 ML 模型
  • 无外部服务
  • 中位数转换时间 < 5ms

6. 多语言绑定

三种绑定：

  • Node.js：在 libuv 线程池运行，不阻塞事件循环
  • Python：释放 GIL，其他线程继续运行
  • 浏览器：WebAssembly，本地转换

类型支持：

  • TypeScript 类型随包发布
  • Python stubs 随包发布

7. Agent 就绪

Agent Skill 集成：

npx skills add firecrawl/anydoc

支持的 Agent：

  • Claude Code
  • Codex
  • Cursor
  • OpenCode
  • 任何兼容的 agent

8. 内置 PDF 支持

PDF 转换：

  • 通过 pdf-inspector 本地转换
  • 无需 OCR 服务
  • 支持基于文本的 PDF

三、快速开始

Agent Skill

npx skills add firecrawl/anydoc

Agent 可以读取任何文档。

CLI

npx @firecrawl/anydoc report.docx               # Markdown 到 stdout
npx @firecrawl/anydoc slides.pptx -o slides.md  # 或到文件
npx @firecrawl/anydoc - --format csv < data.csv # 从 stdin

永久安装：

npm install -g @firecrawl/anydoc
anydoc --help

Node.js

npm install @firecrawl/anydoc
import { toDocument, toMarkdown, toMarkdownBytes } from '@firecrawl/anydoc';

// 从文件路径：
const markdown = await toMarkdown('report.docx');

// 从字节，自动检测格式：
const fromBytes = await toMarkdownBytes(bytes);

// 指定格式（CSV 需要）：
const fromCsv = await toMarkdownBytes(bytes, 'csv');

// 停留在文档模型（包含嵌入资源）：
const document = await toDocument(bytes);

Python

pip install firecrawl-anydoc
import anydoc

# 从文件路径："
markdown = anydoc.to_markdown("report.docx")

# 从字节，自动检测格式：
markdown = anydoc.to_markdown_bytes(data)

# 指定格式（CSV 需要）：
markdown = anydoc.to_markdown_bytes(data, "csv")

# 停留在文档模型（包含嵌入资源）：
document = anydoc.to_document(data)

浏览器（WebAssembly）

npm install @firecrawl/anydoc-wasm
import init, { toMarkdownBytes, toDocument } from '@firecrawl/anydoc-wasm';

await init();

// 从字节，自动检测格式：
const markdown = toMarkdownBytes(bytes);

// 指定格式（CSV 需要）：
const fromCsv = toMarkdownBytes(bytes, 'csv');

// 停留在文档模型（包含嵌入资源）：
const document = toDocument(bytes);

在线 Demo： https://firecrawl.github.io/anydoc/

  • WebAssembly 运行
  • 本地转换
  • 文件不离开机器

四、性能对比

Benchmark 结果

anydoc vs 其他工具：

工具格式支持中位数耗时(ms)评分完整性结构格式清洁度
anydoc14/144.48187797881
libreoffice12/141129.54059424024
unstructured8/14572.96376595163
markitdown6/14134.86578666052
pandoc5/14102.15674575638
docling4/14513.65760605751
mammoth1/1452.57084717551

关键指标：

  • ✅ anydoc 是唯一支持所有 14 种格式的工具
  • ✅ anydoc 是最快的工具（4.4ms，比第二快 10 倍以上）
  • ✅ anydoc 评分最高（81 分）
  • ✅ anydoc 在每个格式上都是最高分

按格式对比

每种格式的评分对比：

格式anydoclibreofficeunstructuredmarkitdownpandocdoclingmammoth
doc875767----
docm8448-----
docx88565371687170
epub77-727252--
odp8623-----
ods8238-----
odt805168-60--
ppt8026-----
pptx7424-66-52-
rtf885346-45--
xls80386662---
xlsm7632-----
xlsx72306655-47-

评分方法

LLM 评判：

  • Claude Sonnet 5 盲评判
  • 对比工具输出与真实值（文档前 6 页）
  • 评分维度：完整性、结构、格式、清洁度
  • 每对评判两次（交换位置以消除偏差）
  • 总共 482 个评判

速度测试：

  • Ryzen 9 9950X3D（Windows 11, 64 GB DDR5-6400）
  • 每个文档一次预热转换
  • anydoc 和 Python 库排除进程启动时间
  • CLI 工具包括进程启动时间

五、架构设计

工作流程

文档字节
  │
  ├─► 格式检测 → 内容标记，不是扩展名
  │
  ├─► 格式解析 → 每种格式一个解析器（doc, docx, ppt, pptx, xls,
  │                          xlsx, odt/ods/odp, rtf, epub, csv）
  │         │
  │         └─► Document → 共享模型：blocks, inlines, tables,
  │                         footnotes, assets
  │               │
  │               └─► GFM 序列化器 → Markdown
  │
  └─► PDF → pdf-inspector → Markdown 直接

统一架构

核心思想：

  • 每种格式解析到共享文档模型
  • 通过同一个序列化器渲染
  • 修复一次，所有格式受益

优势：

  • 表格转义修复对 docx 的修复自动成为 rtf、odt 和所有其他格式的修复
  • 输出一致性
  • 维护简单

格式检测

基于内容标记：

Format::from_bytes(&bytes); // 从字节检测格式
Format::from_extension("pptm"); // 从扩展名检测（CSV 需要）
Format::from_path(Path::new("report.odt")); // 从路径检测

支持的标记：

  • PDF 头
  • RTF open group
  • OLE 流名称
  • ZIP 包 mimetype 和内容类型

六、错误处理

ConvertError

错误类型：

错误类型含义
Unsupported未知格式，或无法转换的格式（如纯图片 PDF）
Malformed结构不可用：无法提取有意义的内容
Encrypted加密或密码保护
ResourceLimit超过安全限制（解压缩、嵌套、节点数）
MissingPart缺少任何有意义输出所需的部分
Io文件无法读取（仅 to_markdown）

错误处理示例

match anydoc::to_markdown(path) {
    Ok(markdown) => Some(markdown),
    // 无法从这些文档中提取内容，记录文件并继续下一个
    Err(error @ (ConvertError::Encrypted | ConvertError::Unsupported(_))) => {
        unconverted.push((path, error));
        None
    }
    Err(error) => return Err(error),
}

七、实际应用

场景 1：文档处理流水线

场景：接收各种格式的文档，转换为 Markdown 存储到数据库

使用 anydoc：

import anydoc
from pathlib import Path

def process_document(file_path: str) -> str:
    """将任何文档转换为 Markdown"""
    try:
        markdown = anydoc.to_markdown(file_path)
        return markdown
    except anydoc.Unsupported:
        # 记录不支持的格式，跳过
        log_unsupported(file_path)
        return None
    except anydoc.Encrypted:
        # 记录加密文件，跳过
        log_encrypted(file_path)
        return None

# 批量处理
for file in Path("./documents").glob("**/*"):
    markdown = process_document(str(file))
    if markdown:
        save_to_database(file.name, markdown)

价值：

  • ✅ 统一处理 14 种格式
  • ✅ 毫秒级速度
  • ✅ 一致的输出格式

场景 2：RAG 系统

场景：将 Office 文档转换为 Markdown 用于 RAG

使用 anydoc：

import anydoc
from langchain.text_splitter import MarkdownHeaderTextSplitter

def office_to_chunks(file_path: str):
    # 转换为 Markdown
    markdown = anydoc.to_markdown(file_path)
    
    # 分块
    splitter = MarkdownHeaderTextSplitter(
        headers_to_split_on=[("#", "Header 1"), ("##", "Header 2")]
    )
    chunks = splitter.split_text(markdown)
    
    return chunks

# 上传到向量数据库
chunks = office_to_chunks("report.docx")
vector_store.add_texts(chunks)

价值：

  • ✅ 完整的文档结构
  • ✅ 适合分块
  • ✅ 保留标题层级

场景 3：Agent 文档读取

场景：Agent 需要读取各种格式的文档

使用 anydoc + Agent Skill：

# 安装 Agent Skill
npx skills add firecrawl/anydoc

Agent 可以直接读取：

  • Word 文档
  • PowerPoint 幻灯片
  • Excel 表格
  • PDF 文档
  • 任何支持的格式

价值：

  • ✅ Agent 可以读取任何文档
  • ✅ 无需预转换
  • ✅ 毫秒级响应

场景 4：浏览器本地转换

场景：用户上传文档，在浏览器中本地转换为 Markdown

使用 anydoc WebAssembly：

import init, { toMarkdownBytes } from '@firecrawl/anydoc-wasm';

await init();

async function convertFile(file: File): Promise<string> {
    const bytes = await file.arrayBuffer();
    const markdown = toMarkdownBytes(new Uint8Array(bytes));
    return markdown;
}

// 使用
const fileInput = document.querySelector('input[type="file"]');
fileInput.addEventListener('change', async (e) => {
    const file = e.target.files[0];
    const markdown = await convertFile(file);
    console.log(markdown);
});

价值：

  • ✅ 文件不离开机器
  • ✅ 毫秒级速度
  • ✅ 支持 14 种格式

八、与其他工具的对比

vs LibreOffice

维度LibreOfficeanydoc
速度1129.5ms4.4ms
格式支持12/1414/14
评分4081
部署需要 Office 套件单一二进制
输出一致性格式间差异大统一输出

vs Unstructured

维度Unstructuredanydoc
速度572.9ms4.4ms
格式支持8/1414/14
评分6381
输出元数据 + 文本纯 Markdown

vs Pandoc

维度Pandocanydoc
速度102.1ms4.4ms
格式支持5/1414/14
评分5681
定位通用文档转换器专注 Office → Markdown

九、核心价值

1. 统一输出

一个文档模型，一个序列化器：

  • 所有格式解析到共享模型
  • 通过同一个序列化器渲染
  • 修复一次，所有格式受益

2. 极速转换

纯 Rust 实现：

  • 无 ML 模型
  • 无外部服务
  • 中位数 < 5ms

3. 完整结构

保留完整文档结构：

  • 标题、列表、表格、引用
  • 脚注、尾注、演讲者备注
  • 合并单元格、标题行

4. 多语言绑定

Node.js、Python、浏览器：

  • TypeScript 类型
  • Python stubs
  • WebAssembly 支持

5. Agent 就绪

Agent Skill 集成：

  • 一个命令安装
  • Agent 可以读取任何文档
  • 支持 Claude Code、Codex、Cursor、OpenCode

十、总结

核心问题

处理 Office 文档的痛点：

  • ❌ 格式多样，解析复杂
  • ❌ 转换缓慢，动辄数秒
  • ❌ 输出不一致，格式间差异大
  • ❌ 工具分散，需要多个工具

anydoc 的解决方案

统一转换器：

  • ✅ 14 种格式，一个工具
  • ✅ 毫秒级速度（< 5ms）
  • ✅ 统一输出（GitHub-Flavored Markdown）
  • ✅ 完整结构（标题、列表、表格、脚注...）

为什么选择 anydoc？

1. 性能

  • 最快（4.4ms）
  • 比第二快 10 倍以上

2. 覆盖

  • 支持 14/14 格式
  • 唯一全覆盖所有格式

3. 质量

  • 评分最高（81 分）
  • 每个格式都是最高分

4. 一致性

  • 统一输出格式
  • 修复一次，所有格式受益

5. 易用性

  • 多语言绑定
  • Agent Skill 集成
  • WebAssembly 支持

记住

anydoc 是文档格式的大统一。

14 种格式，一个工具，毫秒级速度，统一输出。

把任何文档变成 LLM-ready Markdown。

附：资源链接

项目资源：

  • GitHub：https://github.com/firecrawl/anydoc
  • 在线 Demo：https://firecrawl.github.io/anydoc/
  • Crates.io：https://crates.io/crates/anydoc
  • npm：https://www.npmjs.com/package/@firecrawl/anydoc
  • PyPI：https://pypi.org/project/firecrawl-anydoc/

Firecrawl：

  • 官网：https://firecrawl.dev
  • Firecrawl Parse：https://firecrawl.dev/parse

文档资源：

安装速查：

# Agent Skill
npx skills add firecrawl/anydoc

# CLI（临时）
npx @firecrawl/anydoc report.docx

# CLI（永久）
npm install -g @firecrawl/anydoc

# Node.js
npm install @firecrawl/anydoc

# Python
pip install firecrawl-anydoc

# 浏览器
npm install @firecrawl/anydoc-wasm
最近更新:
贡献者: Fen9Pi
Copyright © 2016-2022 风派 | 苏ICP备2025227748号-3