面向需要将文档输入AI的用户，现已发布一款可一次性将Word、PowerPoint、Excel、PDF和EPUB文件转换为Markdown的工具。这款名为anydoc的工具已获得19,000颗星标：

• 基于Rust构建，可批量处理大量文件
• 可直接从Node.js和Python调用
• 采用MIT许可证，可嵌入内部工具

繁琐的手动复制粘贴准备工作，现在只需一条命令即可完成。

开源时代已到来——

firecrawl/anydoc

源代码：https://github.com/firecrawl/anydoc

anydoc

Crates.io (https://crates.io/crates/anydoc)
npm (https://www.npmjs.com/package/@firecrawl/anydoc)
PyPI (https://pypi.org/project/firecrawl-anydoc/)
MIT许可证
skills.sh (https://skills.sh/firecrawl/anydoc)

快速Rust库，可将文档（Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV和PDF）转换为干净的GitHub风格Markdown。提供Node.js、Python和浏览器（WebAssembly）的绑定支持。

由Firecrawl (https://firecrawl.dev) 构建，可将任何办公文档转换为LLM就绪的Markdown格式，转换时间在个位数毫秒内完成，无论输入格式如何都能输出一致结果。该工具驱动了Firecrawl Parse (https://firecrawl.dev/parse)，如果您不想自行运行，托管API可提供相同的转换功能，并针对anydoc无法自动识别的扫描页面提供OCR模型支持。

在浏览器中尝试 (https://firecrawl.github.io/anydoc/)：演示页面以WebAssembly方式运行库，文件在本地转换，永远不会离开您的设备。

快速开始

智能体技能

anydoc以智能体技能 (https://agentskills.io) 形式提供，使您的智能体能够读取遇到的任何文档：

npx skills add firecrawl/anydoc

该技能教授智能体如何使用anydoc CLI转换文档。兼容Claude Code (https://claude.ai/code)、Codex (https://openai.com/codex/)、Cursor (https://cursor.com)、OpenCode (https://opencode.ai)及其他兼容的智能体 (https://agentskills.io/clients)。

命令行界面

npx @firecrawl/anydoc report.docx        # 转换为Markdown并输出到标准输出
npx @firecrawl/anydoc slides.pptx -o slides.md   # 或输出到文件
npx @firecrawl/anydoc - --format csv < data.csv  # 从标准输入读取
npx @firecrawl/anydoc scan.pdf --ocr hosted      # 通过Firecrawl Parse处理扫描页面

首次运行时npx会为您的平台下载预编译二进制文件。要永久使用anydoc命令，可通过npm install -g @firecrawl/anydoc进行全局安装。运行anydoc --help查看所有选项。

Node.js

npm install @firecrawl/anydoc

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

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

// 启用OCR功能：
const markdown = await toMarkdown('report.docx', { ocr: 'hosted' });

// 从字节数据转换（自动检测格式）：
const fromBytes = await toMarkdownBytes(bytes);

// 或指定格式（CSV等无格式标识的文件需要）：
const fromCsv = await toMarkdownBytes(bytes, 'csv');

// 或获取文档模型（包含嵌入式资源）：
const document = await toDocument(bytes);

完整API参考：node/README.md

Python

pip install firecrawl-anydoc

import anydoc

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

# 启用OCR功能：
markdown = anydoc.to_markdown("report.docx", ocr="hosted")

# 从字节数据转换（自动检测格式）：
markdown = anydoc.to_markdown_bytes(data)

# 或指定格式（CSV等无格式标识的文件需要）：
markdown = anydoc.to_markdown_bytes(data, "csv")

# 或获取文档模型（包含嵌入式资源）：
document = anydoc.to_document(data)

完整API参考：python/README.md

浏览器（WebAssembly）

npm install @firecrawl/anydoc-wasm

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

await init();

// 从字节数据转换（自动检测格式）：
const markdown = toMarkdownBytes(bytes);

// 或指定格式（CSV等无格式标识的文件需要）：
const fromCsv = toMarkdownBytes(bytes, 'csv');

// 或获取文档模型（包含嵌入式资源）：
const document = toDocument(bytes);

完整API参考：wasm/README.md

Rust

cargo add anydoc

// 从文件路径转换：
let markdown = anydoc::to_markdown("report.docx")?;

// 从字节数据转换（自动检测格式）：
let markdown = anydoc::to_markdown_bytes(&bytes, None)?;

// 或指定格式（CSV等无格式标识的文件需要）：
let markdown = anydoc::to_markdown_bytes(&bytes, anydoc::Format::Csv)?;

// 或获取文档模型（包含嵌入式资源）：
let document = anydoc::to_document(&bytes, None)?;

OCR功能

anydoc可在本地读取文本型PDF，但不进行OCR处理，因此包含扫描或纯图像页面的PDF会返回NeedsOcr错误。启用此功能后，这些文档将发送至Firecrawl Parse (https://firecrawl.dev/parse) 进行OCR处理，并返回相同的Markdown格式。无需注册账户；设置FIRECRAWL_API_KEY可获得更高额度。

只有需要OCR处理的文档才会离开本机，且会发送整个文档（因为Parse不支持页面选择）。若Parse无法转换，Node.js会返回code: 'hosted'错误，Python则抛出HostedError。

--api-url、apiUrl和api_url可指向其他Parse部署实例（默认使用FIRECRAWL_API_URL）。

Rust版本没有ocr选项，且永远不会发起网络请求。

功能特性

• 统一输出格式：每种格式都解析为共享文档模型，并通过单一Markdown序列化器渲染，无论输入是2003年的.doc还是昨天的.pptx，转义、表格、标题锚点和脚注的行为都保持一致。
• 完整文档结构：带锚点的标题、粗体/斜体/删除线、行内代码和代码块、链接和内部交叉引用、带原始编号的项目符号/编号/嵌套/任务列表、带合并单元格和标题行的表格、引用块、脚注和尾注，以及演讲者注释。
• 方程转LaTeX：Word和PowerPoint（OMML）、OpenDocument和EPUB（MathML）以及RTF方程都转换为GitHub风格数学格式：行内使用$...$，独立区块使用$$。
• 嵌入式资源：图片和嵌入式对象在Markdown中显示为替代文本，原始字节保留在文档模型中并带有媒体类型标记。带外部URL的图片转换为普通Markdown图片。
• 基于内容的格式检测：从文件字节本身读取格式（PDF头、RTF开放组、OLE流名称、ZIP包mimetype），因此标记错误的文件仍能正确转换。
• 高性能：纯Rust实现，无机器学习模型，无外部服务。文档转换中位时间低于5毫秒。
• 不干扰的绑定库：Node.js转换在libuv线程池运行，永不阻塞事件循环；Python释放GIL以保持其他线程运行。TypeScript类型和Python存根随包提供。
• 内置PDF支持：文本型PDF通过pdf-inspector (https://github.com/firecrawl/pdf-inspector) 在本地转换，无需OCR服务。扫描页面可选择使用托管OCR。
• 智能体就绪：以智能体技能形式提供：只需一条npx skills add firecrawl/anydoc命令，任何智能体都能读取办公文档。

支持格式

基准测试

anydoc与六款其他转换器在涵盖十四种格式的100份真实文档上进行对比测试。评分范围0-100分（越高越好）；速度为单文档转换中位时间。

按格式逐项对比：

质量评分方式：LLM评判员（Claude Sonnet 5）将两款工具的输出与基准真相（文档前六页，由LibreOffice渲染为图像）进行盲评。每项输出从完整性、结构、格式和整洁度四个维度评分。每对评测会交换输出位置重复一次以消除位置偏差，总计482次判定。每个工具的score取其支持格式的平均分，因此语料库中某格式占比过高不会影响评分。这也意味着每行平均的格式集合不同（mammoth的69分仅基于docx，而anydoc的81分涵盖全部十四种格式），因此按格式对比表格才是公平参照。

速度测试使用Ryzen 9 9950X3D处理器（Windows 11，64GB DDR5-6400内存），测量单文档转换的中位时间。anydoc和Python库的计时排除了进程启动时间；命令行工具包含启动时间（因其实际使用方式如此）。测试框架位于bench/；语料库不可重新分发且未包含在代码库中。

最佳适用场景：接收混合格式办公文档，需要统一结构化Markdown输出的处理流程。在本次对比中，anydoc是唯一覆盖全部十四种格式的工具，在每个评测格式中得分最高，且转换速度比第二快工具高出一个数量级。

格式检测

根据文件内容读取格式，使用其规范指定的标记：PDF头、RTF开放组、OLE流名称、ZIP包mimetype和内容类型。CSV没有此类标记，因此需要通过扩展名或显式格式名称指定。

Format::from_bytes(&bytes);          // 返回 Some(Format::Docx)，无匹配时返回 None
Format::from_extension("pptm");      // 返回 Some(Format::Pptx)
Format::from_path(Path::new("report.odt"));  // 返回 Some(Format::Odt)

Node.js（formatFromBytes等）和Python（anydoc.format_from_bytes等）提供相同功能。

错误处理

转换仅在文件无法生成完整Markdown时返回Err。ConvertError明确错误原因：

match anydoc::to_markdown(path) {
    Ok(markdown) => Some(markdown),
    // 以下情况无法生成文档，记录文件并继续处理下一个
    Err(error @ (ConvertError::Encrypted | ConvertError::Unsupported(_) | ConvertError::NeedsOcr{..})) => {
        unconverted.push((path, error));
        None
    }
    Err(error) => return Err(error),
}

Node.js和wasm通过error.code发布错误变体名称；Python为每个变体抛出对应的anydoc.ConvertError子类，文件不可读时抛出OSError。

anydoc在本地转换且不进行OCR，因此包含扫描页的PDF会返回NeedsOcr错误。在Node.js中使用ocr: 'hosted'、Python中使用ocr="hosted"或命令行界面使用--ocr hosted可启用该功能，将文档发送至Firecrawl Parse (https://firecrawl.dev/parse) 处理。无需注册账户；设置FIRECRAWL_API_KEY可获得更高额度。

工作原理

文档字节流
│
├─► 格式检测 → 基于内容标记（非扩展名）
│
├─► 格式解析器 → 每种格式对应独立解析器（doc、docx、ppt、pptx、xls、
│   xlsx、odt/ods/odp、rtf、epub、csv）
│   │
│   └─► 文档对象 → 共享模型：块级元素、行内元素、表格、
│       脚注、资源
│       │
│       └─► GFM序列化器 → Markdown
│
└─► PDF → pdf-inspector → 直接生成Markdown

由于所有格式都通过相同的文档模型和序列化器处理，输出问题只需修复一次。docx的表格转义修复会自动应用于rtf、odt等所有格式。

开发

cargo test

cd node && npm install && npm run build && npm test

cd python && pip install maturin && maturin develop && python -m unittest discover -s tests

wasm-pack build wasm --release --target web --scope firecrawl && node --test wasm/test.mjs
# 详见 wasm/README.md

tests/fixtures/下的提交文件进行快照测试，tests/robustness.rs对每个文件进行变异测试，fuzz/包含每种格式的cargo-fuzz目标。性能和质量基准测试位于bench/。

发布版本使用v标签，通过.github/workflows/release.yml发布crate、npm包和PyPI轮子文件。版本号在三处同步更新：

• Cargo.toml：crate版本
• node/package.json：npm包版本
• python/Cargo.toml：轮子文件版本（python/pyproject.toml读取该版本）

许可证

MIT