Word Excel PPT PDF 图片 语音 HTML EPUB JSON/XML 等
和微信的提取文字不太一样，markitdown 项目介绍提到：会保留文档的重要结构和内容，将其以 Markdown 格式显示（比如标题、列表、表格、链接等）
实测效果有些出入...
01看看实际效果
逛逛实测了一下，虽然输出结果通常清晰易读，适合人工查看，但其主要目的还是作为中间介质提供给 AI 大模型或者文本分析工具。
如果对阅读体验要求极高，格式还原效果极其严苛，markitdown 可能并不适合。
① 运行如下命令安装
pip install 'markitdown[all]'
然后你可以在命令行中直接运行，或者调用 Python API：
PDF 文件转换，左边屏是源文件，右半屏是转换后的MD，发现标题并没有保留呀？
表格类型 PDF但是如果我上传的 PDF 是下面这种表格的样式，其实得到的 Markdown 效果就比较差了。
因为这不是普通表格 PDF，有很多合并：
标准 Excel，如果是转换比较标准的 Excel 表格，效果还是不错的。左边屏是源文件：
再来看看 PPT 文件，转换的效果：
再看看一个标准的 PDF 文档，不知道是不是我操作有问题？说好的保留标题、表格样式呢...
支持 MCP
前段时间发了一个国产 OCR 开源神器的帖子，还有读者问那个 OCR 开源项目是否支持 MCP。
微软开源的这个 markitdown 支持 MCP 协议，它提供了一个轻量级的 STDIO、Streamable HTTP 和 SSE MCP 服务器，用于调用 MarkItDown。
公开了一个工具：convert_to_markdown(uri)，其中 uri 可以是任何http:、https:、file:或data:URI。
pip install markitdown-mcp
运行 MCP 服务
你可以使用如下两个命令运行 MCP Server，第一个是 STDIO，第二个是 Streamable HTTP 和 SSE MCP
markitdown-mcp --http --host 127.0.0.1 --port 3001
当然如果你想在 Docker 中运行，可以参考下图中的步骤。
这样你就能在 Cursor 等 MCP 客户端重配置这个MCP 服务，流程很简单。
拿 Cusor 客户端举例子，打开设置 -> MCP -> 添加一个 MCP 服务器。这个时候把如下代码复制进去就行了，后面你就能使用这个 MCP 服务了。
{
"mcpServers": {
"markitdown": {
"command": "docker",
"args": [
"run",
"--rm",
"-i",
"-v",
"/home/user/data:/workdir",
"markitdown-mcp:latest"
]
}
}
}
