【已保存版本】 对于那些想把 URL 或 PDF 转换为整洁 Markdown 的人，PullMD，约 400。它能做到的事情： ・将网页转换为 Markdown，无广告或装饰 ・支持 PDF/Office/EPUB/图片/音频/YouTube 等 ・包含 REST API / MCP 服务器 / PWA ・可自托管，且易于与 AI 智能体集成 一个能瞬间处理“将信息标准化为 Markdown”的开源项目。它会引起那些构建 RAG 预处理或 AI 工作流的人的共鸣。

AeternaLabsHQ/pullmd

源码：https://github.com/AeternaLabsHQ/pullmd

PullMD 发布（https://github.com/AeternaLabsHQ/pullmd/releases） Docker 拉取（https://hub.docker.com/r/aeternalabshq/pullmd） CI（https://github.com/AeternaLabsHQ/pullmd/actions/workflows/docker.yml） 许可证（https://github.com/AeternaLabsHQ/pullmd/blob/main/LICENSE） MCP（https://github.com/AeternaLabsHQ/pullmd#mcp-server） 自托管的 URL 转 Markdown 服务，面向人类和 AI 智能体。

PullMD 接受任意网页 URL，返回干净、可读的 Markdown——没有导航、没有广告、没有样板内容。它能自动识别 Reddit 和 Hacker News 帖子（包含完整评论树），在可用时使用 Cloudflare 原生 Markdown，对静态 HTML 运行 Mozilla Readability + Trafilatura，最后的手段是通过无头 Chromium（Playwright 辅助容器）渲染 JavaScript 重页面后再提取。

从 v3 开始，PullMD 不再局限于网页：它还能将文档（PDF、Office、EPUB）、图片、音频和 YouTube 视频转换为 Markdown，并默认输出更精简、更省 token 的正文。参见下文 v3 新特性。

它以以下形式提供：

• 一个 PWA 前端，带有原始/渲染视图和实时 frontmatter 视图切换、一键分享输出到其他应用（Web Share API）、一个按服务器建议文件名保存结果为 .md 文件的下载按钮、深色/纸张主题、历史记录、归档、分享链接，以及本地 HTML 文件的转换（桌面端拖放、桌面端和移动端文件选择器）
• 一个 REST API，位于 GET /api?url=...
• 一个 MCP 服务器，位于 POST /mcp（Streamable-HTTP 传输，无状态）
• 一个 Claude Code 技能，可下载 zip 包

每次转换都会获得一个 8 位十六进制 分享 ID，它可以作为一个稳定的实时端点：GET /s/:id 返回缓存的 markdown，并在超过一小时未更新时从源站重新获取。将分享 ID 用作固定 URL，始终返回新鲜内容——对 subreddit 订阅源等场景很有用。

v3 新特性

PullMD v3 从一个网页阅读器成长为一个通用的 任何内容转 Markdown 服务，面向智能体，并采用更精简的默认输出。超出纯网页提取的一切都是 可选启用并且优雅降级 的——未配置时，v3 对网页的处理与 v2 完全一致，只是在默认情况下正文更干净。

• 默认使用干净正文 - Markdown 正文现在只有 # 标题 + 内容。来源 URL、抓取日期和所有元数据都移入 YAML frontmatter，因此不会重复，也为你节省 token。Reddit 帖子的规则相同：subreddit、作者、点赞数和发布日期位于 frontmatter（subreddit, author, upvotes, published）中，而非正文。这是唯一一个破坏性变更：设置 PULLMD_SOURCE_HEADER=true 可恢复旧的内联头部，并使用 PULLMD_FRONTMATTER_FIELDS 来裁剪输出的字段。参见 MIGRATION.md。
• 文档 → Markdown - 支持 PDF、Word、PowerPoint、Excel、EPUB 等，通过 URL 或上传（POST /api/file，PWA 中可拖放）。
• 高质量 PDF 表格（OCR） - 一个可选的、与供应商无关的 OCR 层（?pdf=ocr），用于表格级 PDF 转换，自动回退到免费路径。
• 图片和音频 → Markdown - 通过任何兼容 OpenAI 的或本地模型，可选启用字幕生成与转写；在 pullmd 内部运行，无需额外容器。
• YouTube 转录 - 标题、描述和转录，带可点击时间码，无需 API 密钥。
• 更丰富的 frontmatter - 提取来源、质量，以及（对于媒体/OCR）模型 + token/页数使用量，用于成本追踪，另加一个可配置的字段白名单。

从 v2.x 升级的自托管用户：干净正文变更是唯一的破坏性变更 - MIGRATION.md 提供了一行关闭配置。其他一切都是新增功能。

自 3.x 版本以来新增的内容：

• Hacker News 管道（3.1）- 通过专门构建的转换器处理条目、评论永久链接和列表，并在 PWA 中提供 Web Share 和即时 frontmatter 切换。
• X-Transcript-Status（3.2）- 区分瞬时 YouTube 速率限制与真正的转录缺失。
• SSRF 防护（3.3）- 默认拒绝私有、回环、链路本地、CGNAT 和云元数据目标，覆盖每个抓取路径和每个重定向跳转。
• 查询范围提取（3.4）- ?query= 仅返回与问题相关的章节，并带有 max_tokens 预算。
• 开放站点配方（3.5/3.6）- JSON-LD 转换为 frontmatter、贡献者指南，以及 select.content，让配方可以直接指定文章正文。
• 覆盖率保护（3.7）- 当提取仅保留正文的一小部分时恢复页面；参见 PULLMD_COVERAGE_GUARD。
• 账户控制（3.8）- 非管理员可以从自己的历史记录中清除条目，可以通过 PULLMD_ALLOW_SIGNUP 关闭自助注册，scripts/admin.js create-user 可从 shell 创建账户。
• 下载按钮（3.9）- PWA 将结果保存为 .md 文件，文件名由服务器通过 X-Suggested-Filename 指定，并可选择添加日期前缀。

快速开始

预构建的多架构镜像（linux/amd64, linux/arm64）位于 Docker Hub 上。将 compose 文件放到某个位置并运行：

``bash mkdir pullmd && cd pullmd curl -O https://raw.githubusercontent.com/AeternaLabsHQ/pullmd/main/docker-compose.yml docker compose up -d

→ http://localhost:3000

``

就这么简单。不需要 .env：每个变量都有合理的默认值，PullMD 在 3000 端口监听。在 compose 文件旁边添加 .env 可覆盖任何设置（参见 配置）。

docker-compose.yml（零配置，节选）

``yaml services: pullmd: image: aeternalabshq/pullmd:latest container_name: pullmd restart: unless-stopped ports: - “{PORT:-3000}:3000" environment: - PUBLIC_URL={PUBLIC_URL:-http://localhost:${PORT:-3000}} - TRAFILATURA_URL=http://trafilatura:8001/extract - PLAYWRIGHT_URL=http://playwright:8002/render - MARKITDOWN_URL=http://markitdown:8003/convert - CACHE_DB=/data/cache.db volumes: - ./data:/data networks: - pullmd-internal depends_on: - trafilatura - playwright - markitdown

trafilatura: image: aeternalabshq/pullmd-trafilatura:latest container_name: pullmd-trafilatura restart: unless-stopped networks: - pullmd-internal

playwright: image: aeternalabshq/pullmd-playwright:latest container_name: pullmd-playwright restart: unless-stopped networks: - pullmd-internal

markitdown: image: aeternalabshq/pullmd-markitdown:latest container_name: pullmd-markitdown restart: unless-stopped mem_limit: ${MARKITDOWN_MEM_LIMIT:-1g} networks: - pullmd-internal

networks: pullmd-internal: driver: bridge ``

为可读性而节选 — 仓库中的 docker-compose.yml 会将每个可选的 .env 变量透传给容器（Reddit 凭据、认证、媒体/OCR 密钥、YouTube 选项、输出整形）。请使用上面的 curl -O 命令，而不是复制此代码块，否则超出基础项的 .env 覆盖不会到达容器。

注意： Playwright 辅助容器会给你的镜像缓存增加 约 3.7 GB（Chromium + Firefox + WebKit 二进制文件来自官方 Playwright 基础镜像）。它是可选的——不设置 PLAYWRIGHT_URL 并移除 playwright 服务块，PullMD 会静默降级为静态提取，并在元数据中添加一条降级说明。

注意： MarkItDown 辅助容器是可选的。不设置 MARKITDOWN_URL 并移除 markitdown 服务块即可禁用文档转换。网页 URL 始终可以在没有它的情况下工作。

GHCR 镜像： ghcr.io/aeternalabshq/{pullmd,pullmd-trafilatura,pullmd-playwright,pullmd-markitdown}。如果你更喜欢 GitHub 的镜像仓库，可以替换 image: 行。

在 Traefik 后面

对于使用 TLS 的 Traefik 部署，请改用 docker-compose.traefik.yml。镜像相同，但带有 Traefik 标签和 proxy 外部网络。在 .env 中设置 HOST_DOMAIN：

bash curl -O https://raw.githubusercontent.com/AeternaLabsHQ/pullmd/main/docker-compose.traefik.yml echo "HOST_DOMAIN=pullmd.example.com" > .env docker compose -f docker-compose.traefik.yml up -d

本地开发（无需 Docker）

``bash git clone https://github.com/AeternaLabsHQ/pullmd.git cd pullmd npm install npm start

http://localhost:3000

npm test

node –test

``

配置

所有变量都放在 .env 中（从 .env.example 复制）：

v3.0.0 输出格式变更： markdown 正文默认是干净的——只有 # 标题 后跟内容。来源 URL、抓取日期和所有提取元数据仍保留在 YAML frontmatter 中，与之前一样——正文不再重复它们。设置 PULLMD_SOURCE_HEADER=true 可恢复旧的内联头部。使用 PULLMD_FRONTMATTER_FIELDS 来选择输出哪些 frontmatter 字段（在智能体管道中节省 token 非常方便）。

PUBLIC_URL 对自托管很重要：帮助页面和可下载技能将其作为规范端点嵌入。正确设置它，你的用户将获得一个指向你的实例的复制粘贴设置。PullMD 会轮换其出站 Use