在 anydoc 中引入 OCR：现在您的智能体可以免费读取扫描文档

→ 非 OCR 文档处理时间低于 5 毫秒 → OCR 文档处理中位时间为每页 190 毫秒 → 支持版面检测、表格、公式 → 通过 @firecrawl 提供托管 OCR 选项 → 免费，无需 API 密钥 https://t.co/MvxaRV5bNV https://t.co/bjyDouuqpR

firecrawl/anydoc

源码：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/) 许可协议：MIT skills.sh (https://skills.sh/firecrawl/anydoc)

一个快速的 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。包含 Node.js、Python 和 浏览器 (WebAssembly) 的绑定。

由 Firecrawl (https://firecrawl.dev) 构建，旨在将任何办公文档在个位数毫秒内转换为可直接供 LLM 使用的 Markdown，并且无论输入何种格式，输出都保持一致。它驱动着 Firecrawl Parse (https://firecrawl.dev/parse)，因此如果您不想自己运行，托管 API 可以提供相同的转换功能，外加我们针对 anydoc 无法自行读取的扫描页面的 OCR 模型。

在浏览器中试用 (https://firecrawl.github.io/anydoc/)：演示页面将该库作为 WebAssembly 运行，因此文件在本地转换，永远不会离开您的机器。

快速开始

智能体技能

anydoc 作为一项智能体技能 (https://agentskills.io) 发布，因此您的智能体可以读取它遇到的任何文档：

npx skills add firecrawl/anydoc

该技能教会智能体使用 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) 和任何其他兼容的智能体 (https://agentskills.io/clients)。

CLI

npx @firecrawl/anydoc report.docx       # Markdown 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

npx 首次运行时会下载适用于您平台的预构建二进制文件。要获得永久性的 anydoc 命令，请使用 npm install -g @firecrawl/anydoc 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：
const markdown = await toMarkdown('report.docx');

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

// 或指定格式（CSV 等无格式签名的格式需要）：
const fromCsv = await toMarkdownBytes(bytes, 'csv');

// 或停在文档模型层（同时包含嵌入式资源）：
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：
markdown = anydoc.to_markdown("report.docx")

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

# 或指定格式（CSV 等无格式签名的格式需要）：
markdown = anydoc.to_markdown_bytes(data, "csv")

# 或停在文档模型层（同时包含嵌入式资源）：
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();

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

// 或指定格式（CSV 等无格式签名的格式需要）：
const fromCsv = toMarkdownBytes(bytes, 'csv');

// 或停在文档模型层（同时包含嵌入式资源）：
const document = toDocument(bytes);

完整 API 参考：wasm/README.md

Rust

cargo add anydoc

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

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

// 或指定格式（CSV 等无格式签名的格式需要）：
let markdown = anydoc::to_markdown_bytes(&bytes, anydoc::Format::Csv)?;

// 或停在文档模型层（同时包含嵌入式资源）：
let document = anydoc::to_document(&bytes, None)?;

OCR

anydoc 在本地读取基于文本的 PDF，但不执行 OCR，因此包含扫描或仅图像页面的 PDF 会因 NeedsOcr 而失败。选择启用后，这些文档将发送至 Firecrawl Parse (https://firecrawl.dev/parse)，它会进行 OCR 并返回相同的 Markdown。无需注册；设置 FIRECRAWL_API_KEY 可获得更高配额。

只有需要 OCR 的文档才会离开机器，并且是整个文档发送，因为 Parse 不支持页面选择。如果 Parse 无法转换，Node 会以 code: 'hosted' 拒绝，Python 则会引发 HostedError。

--api-url、apiUrl 和 api_url，或环境变量 FIRECRAWL_API_URL，用于指向其他 Parse 部署。Rust crate 没有 ocr 选项，且从不发起网络请求。

功能特性

• 单一输出，适用所有格式。 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，因此无论是来自 2003 年的 .doc 还是昨天生成的 .pptx，转义、表格、标题锚点和脚注的行为都完全相同。
• 完整的文档结构。 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/编号/嵌套/任务列表、带合并单元格和表头行的表格、块引用、脚注和尾注以及演讲者备注。
• 方程式转为 LaTeX。 Word 和 PowerPoint (OMML)、OpenDocument 和 EPUB (MathML) 以及 RTF 方程式会转换为 GitHub 风格的数学公式：行内用 $...$，块级用 $$。
• 嵌入式资源。 图像和嵌入式对象在 Markdown 中呈现为它们的替代文本，原始字节保留在文档模型上，并标记其媒体类型。带有外部 URL 的图像会变成普通的 Markdown 图像。
• 基于内容的格式检测。 格式是从字节本身读取的，使用其规范指定的标记：PDF 头、RTF 开始组、OLE 流名称、ZIP 包的 mimetype 和内容类型。CSV 没有此类标记，因此通过扩展名或显式格式名来指定。
• 快速。 纯 Rust，无机器学习模型，无外部服务。中位转换时间低于每文档 5 毫秒。
• 绑定不干扰性能。 Node.js 转换在 libuv 线程池上运行，从不阻塞事件循环；Python 释放 GIL，因此其他线程可以继续运行。TypeScript 类型和 Python 存根随包一起发布。
• 内置 PDF 支持。 基于文本的 PDF 通过 pdf-inspector (https://github.com/firecrawl/pdf-inspector) 在本地转换，无需 OCR 服务。扫描页面可选择启用托管 OCR。
• 智能体就绪。 作为智能体技能发布：只需一个 npx skills add firecrawl/anydoc，任何智能体都能读取办公文档。

支持的格式

基准测试

anydoc 与其他六个转换器在 100 个涵盖十四种格式的真实文档上进行了比较。分数范围为 0 到 100，越高越好；速度是转换一个文档的中位时间。

按格式逐一对比：

质量评分方法： 一位 LLM 评审员 (Claude Sonnet 5) 盲测比较两个工具的输出与基准真值：文档的前六页，由 LibreOffice 渲染为图像。每个输出在完整度、结构、格式化和整洁度上进行评分。每对比较都进行两次，输出位置互换以消除位置偏见，共计 482 次评判。每个工具的 score 是其在各支持格式上得分的平均值，因此语料库中某种格式的占比过高不会影响它。这也意味着每行平均的是不同格式集合（mammoth 的 69 分仅基于 docx，而 anydoc 的 81 分涵盖所有十四种格式），因此按格式对比表才是公平的比较。

速度是在 Ryzen 9 9950X3D (Windows 11, 64 GB DDR5-6400) 上每个文档进行一次热转换的时间。anydoc 和 Python 库的计时排除了进程启动时间；CLI 工具包含启动时间，因为这是它们的实际使用方式。

测试框架位于 bench/；语料库不可重新分发且不在仓库中。

最佳适用场景： 需要处理混合办公文档并要求输出一致、结构化 Markdown 的管道。在本次比较中，anydoc 是唯一覆盖所有十四种格式的工具，在每个被评判的格式上得分最高，并且转换文档的速度比次快工具快一个数量级。

格式检测

格式是从文件内容中读取的，使用其规范指定的标记：PDF 头、RTF 开始组、OLE 流名称、ZIP 包的 mimetype 和内容类型。CSV 没有此类标记，因此通过扩展名或显式格式名来指定。

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

Node (formatFromBytes, …) 和 Python (anydoc.format_from_bytes, …) 中也存在相同的三个函数。

错误处理

转换仅在无法从文件生成完整 Markdown 时返回 Err。ConvertError 指明具体问题：

match anydoc::to_markdown(path) {
    Ok(markdown) => Some(markdown),
    // 这些情况不会生成文档，因此记录该文件并处理下一个。
    Err(
        error @ (ConvertError::Encrypted | ConvertError::Unsupported(_) | ConvertError::NeedsOcr { .. }),
    ) => {
        unconverted.push((path, error));
        None
    }
    Err(error) => return Err(error),
}

Node 和 wasm 在 error.code 上发布变体名称；Python 为每个变体引发一个 anydoc.ConvertError 子类，或在文件无法读取时引发 OSError。

anydoc 在本地转换，不执行 OCR，因此包含扫描页面的 PDF 会因 NeedsOcr 而失败。在 Node 中使用 ocr: 'hosted'，在 Python 中使用 ocr="hosted"，或在 CLI 中使用 --ocr hosted 可选择将该文档发送至 Firecrawl Parse (https://firecrawl.dev/parse)。无需注册。设置 FIRECRAWL_API_KEY 可获得更高配额。

工作原理

文档字节流
│
├─► 格式检测 → 使用内容标记（而非扩展名）
│
├─► 格式解析器 → 每种格式一个 (doc, docx, ppt, pptx, xls,
│   xlsx, odt/ods/odp, rtf, epub, csv)
│   │
│   └─► 文档对象 → 共享模型：块、行内元素、表格、
│       脚注、资源
│
│   └─► GFM 序列化器 → Markdown
│
└─► PDF → pdf-inspector → 直接生成 Markdown

因为每种格式都通过相同的文档模型和序列化器，所以输出问题只需修复一次。针对 docx 的表格转义修复会自动成为 rtf、odt 等所有格式的表格转义修复。

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  # 参见 wasm/README.md

已提交的测试夹具库在 tests/fixtures/ 下进行快照测试，tests/robustness.rs 对每个夹具进行变异测试，fuzz/ 包含每种格式的 cargo-fuzz 目标。

速度和质量基准测试位于 bench/。发布标签为 v，该操作会从 .github/workflows/release.yml 发布 crate、npm 包和 PyPI 轮子包。

版本号存在于三个位置，发布时需同步更新：

• Cargo.toml：crate
• node/package.json：npm 包
• python/Cargo.toml：轮子包 (python/pyproject.toml 读取此版本)

许可协议

MIT