14 种文档格式转 Markdown，一个 Rust 库全搞定

给 AI 应用喂文档这件事，比想象中麻烦。

用户上传的永远是"他手头有什么"：2003 年的 .doc 合同、2009 年的 .xls 导出表、一页 pitch deck、一本 .epub。AI 要读这些，得先变成干净的 Markdown。市面上每个库只覆盖一部分格式——官方基准里 markitdown 只跑通 6 种，pandoc 5 种，docling 4 种。想全支持，就把四五个库拼起来，每个都有自己的依赖、输出格式和失败方式。

前几天 Firecrawl 开源了 anydoc，想终结这件事：一个 Rust 库，14 种格式，一个输出格式。

● ● ●

一个库，14 种格式

anydoc 是 Firecrawl 开的第二个 Rust 解析库（第一个是 pdf-inspector，专做 PDF）。两个库分工明确：PDF 归 pdf-inspector，其他格式全归 anydoc。

支持清单：

• ●
  Word：doc、docx、docm
• ●
  PowerPoint：ppt、pps、pot、pptx、pptm、ppsx、ppsm
• ●
  Excel：xls、xlsx、xlsm、xlsb
• ●
  OpenDocument：odt、ods、odp
• ●
  RTF、EPUB、CSV
• ●
  PDF（走 pdf-inspector）

8 大类、21 种扩展名（PDF 单独归 pdf-inspector），全部输出 GitHub Flavored Markdown。标题带锚点，表格带合并单元格，脚注、任务列表、演讲者备注都在。

没有 API key，没有系统依赖。Rust 代码里调 anydoc::to_markdown("report.docx") 就完事。Node、Python、WASM 绑定都有，npm 包零依赖。

● ● ●

实测：比宣传的还快

官方 README 说中位转换时间 4.4ms。我克隆下来在 WSL 上实测：

• ●
  单个 docx：0.78ms
• ●
  500 个 docx 进程内循环：0.056 秒（每个 0.11ms）
• ●
  PDF 文本页：20ms（走 pdf-inspector）

网上流传的"500 个 docx 只要 1.7 秒"，我翻了 README 和官方博客都没找到出处。实测进程内只要 0.056 秒——比那个数字还快两个数量级。1.7 秒那个说法大概算上了进程启动开销：CLI 串行跑 500 次，每次 exec 约 10ms，总计 5.8 秒，瓶颈在进程启动不在解析本身。

和现有方案比，官方基准（100 份真实文档，覆盖 14 种格式；博客口径 94 份）：

快 20-245 倍的说法就是这么来的，取决于和谁比。注意 LibreOffice 那行：综合分 40 是因为它走"转 HTML 再转 Markdown"的弯路，格式保真度差，还慢。

● ● ●

为什么快：一次解析，共享模型

anydoc 的设计比速度本身更值得看。

anydoc 架构：14 种格式 → 共享模型 → GFM 输出

每种格式一个 parser，但解析完都塞进同一个 Document 模型（blocks、inlines、tables、footnotes、assets），最后由同一个 Markdown 序列化器输出。效果是：

• ●
  docx 的表格转义修好，rtf、odt、epub 的表格自动跟着好——修一次，全格式受益
• ●
  格式检测看内容不看扩展名：PDF 头、RTF 开组、OLE 流名、ZIP mimetype，错标扩展名的文件照样转对
• ●
  安全边界做得很足：zip 炸弹、图片炸弹、深层嵌套都有固定限制，测了 25 轮字节变异防 panic

代码约 1.7 万行，58 个快照测试，每个 fixture 还有变异测试兜底。工程质量在早期开源项目里算讲究的。

● ● ●

诚实的边界

发布 4 天拿了 8 千多星，病毒式传播，但有几个点得说清楚：

• ●语料是自家的
  。官方基准用的 100 份文档是他们自己的，没有第三方复核。官方博客自己承认：单看 docx 完整性，mammoth 95 分 vs anydoc 87 分——如果你只处理 docx，mammoth 可能更合适
• ●中文复杂版面要小心
  。PDF 路径走 pdf-inspector，文本型 PDF 中文零乱码，但数据卡片、多列表格这种复杂版面，质量不如 MinerU
• ●很新
  。v0.1.7，一周发了 7 个版本，API 可能还会动

● ● ●

对 AI 应用开发者

如果管线里有一堆用户上传的杂格式文档，这是目前覆盖最全、最快的现成方案。MIT 协议，随便用。Firecrawl 还把它做成了 Agent Skill，npx skills add firecrawl/anydoc，Claude Code、Codex 之类的 agent 装上就能读文档。

另外值得琢磨的是 Firecrawl 的玩法：两个开源库，内嵌在自家 /parse 和 /scrape 端点里。开源版本覆盖 90% 的场景，剩下扫描件 OCR 的场景，引导到付费 API。免费获客，两头都占。