anydoc

一个快速的Rust库，可将多种文档（Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV和PDF）转换为干净的GitHub风格Markdown。包含Node.js和Python绑定。

由Firecrawl构建，旨在将任意办公文档在单位数毫秒内转换为可供LLM直接使用的Markdown，无论输入什么格式，输出都保持一致。它驱动着Firecrawl Parse，如果你不想自己运行，托管API也能提供相同的转换，外加针对anydoc无法识别的扫描页面所训练的OCR模型。

快速开始

智能体技能（Agent Skill）

anydoc 以 Agent Skill 形式提供，因此你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、Codex、Cursor、OpenCode以及任何其他兼容智能体。

CLI

npx @firecrawl/anydoc report.docx               # Markdown输出到stdout
npx @firecrawl/anydoc slides.pptx -o slides.md  # 或输出到文件
npx @firecrawl/anydoc - --format csv < data.csv # 从stdin读取

npx 会在首次运行时为你的平台下载预构建二进制文件。如需永久安装anydoc命令，可全局安装：npm install -g @firecrawl/anydoc。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，格式从内容中检测：
const fromBytes = await toMarkdownBytes(bytes);

// 或指定格式，无签名格式（如CSV）需要：
const fromCsv = await toMarkdownBytes(bytes, 'csv');

// 或停在文档模型，其中也包含嵌入资源：
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，格式从内容中检测：
markdown = anydoc.to_markdown_bytes(data)

# 或指定格式，无签名格式（如CSV）需要：
markdown = anydoc.to_markdown_bytes(data, "csv")

# 或停在文档模型，其中也包含嵌入资源：
document = anydoc.to_document(data)

完整API参考：python/README.md

Rust

cargo add anydoc

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

// 从字节，格式从内容中检测：
let markdown = anydoc::to_markdown_bytes(&bytes, None)?;

// 或指定格式，无签名格式（如CSV）需要：
let markdown = anydoc::to_markdown_bytes(&bytes, anydoc::Format::Csv)?;

// 或停在文档模型，其中也包含嵌入资源：
let document = anydoc::to_document(&bytes, None)?;

特性

• 每种格式统一输出。 每种格式都解析为共享的文档模型，并通过单一的Markdown序列化器渲染，因此无论是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完全一致。
• 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、项目符号/编号/嵌套/任务列表（保留原始编号）、带合并单元格和表头的表格、块引用、脚注和尾注，以及演讲者备注。
• 嵌入资源。 图片和嵌入对象在Markdown中渲染为替代文本，原始字节保留在文档模型上，并标记媒体类型。具有外部URL的图片则成为普通Markdown图片。
• 基于内容的格式检测。 格式从字节本身读取（PDF头、RTF开组、OLE流名称、ZIP包 mimetype），因此打错标签的文件也能正确转换。
• 速度快。 纯Rust实现，无机器学习模型，无外部服务。每个文档的中位转换时间低于5毫秒。
• 不碍事的绑定。 Node.js转换在libuv线程池上运行，永不阻塞事件循环；Python释放GIL，其他线程可继续运行。TypeScript类型和Python存根随包发布。
• 内置PDF支持。 基于文本的PDF通过pdf-inspector本地转换，无需OCR服务。
• 适配智能体。 以Agent Skill形式提供：一条npx skills add firecrawl/anydoc命令即可让任何智能体读取办公文档。

支持的格式

基准测试

anydoc 与其他六个转换器在100个跨十四种格式的真实文档上进行了对比。分数范围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：

质量评分方式： 一个LLM评判器（Claude Sonnet 5）对两个工具的输出进行盲测，与基准真相对比：文档前六页由LibreOffice渲染为图像。每个输出按完整性、结构、格式和整洁度评分。每对输出在交换顺序后评判两次，以消除位置偏差，共479个评判。每个工具的score是其支持格式的格式分数平均值，因此某个格式占比很高的语料库不会造成偏差。这也意味着每行平均了不同的格式集（mammoth的70仅来自docx，而anydoc的80横跨全部十四种），因此按格式对比的表才是公平的比较。

速度测试为在Ryzen 9 9950X3D（Windows 11, 64 GB DDR5-6400）上每个文档一次热转换。anydoc和Python库的计时不包括进程生成；CLI工具则包括，因为这是它们的使用方式。测试框架位于bench/；语料库不可再分发且不在仓库中。

最佳使用场景： 需要接收混合办公文档并输出一致、结构化Markdown的流水线。在此对比中，anydoc是唯一覆盖全部十四种格式的工具，在除EPUB外的每个被评判格式上得分最高，且转换速度比第二快的工具快一个数量级。

格式检测

格式从文件内容中读取，使用其规范指定的标记：PDF头、RTF开组、OLE流名称、ZIP包mimetype和内容类型。CSV没有此类标记，因此使用扩展名或显式格式名来指定。

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

同样的三个函数在Node（formatFromBytes，…）和Python（anydoc.format_from_bytes，…）中也存在。

工作原理

文档字节
  │
  ├─► 格式检测      → 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）
  │         │
  │         └─► Document     → 共享模型：块、行内元素、表格、
  │                            脚注、资源
  │               │
  │               └─► GFM序列化器 → Markdown
  │
  └─► PDF → pdf-inspector    → 直接输出Markdown

由于每种格式都汇入相同的文档模型和序列化器，输出问题只需修复一次。针对docx的表格转义修复会自动应用到rtf、odt及其他所有格式。

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

tests/fixtures/下有一套已提交的固定语料进行快照测试，tests/robustness.rs对每个固定样本进行变异测试，fuzz/为每种格式提供cargo-fuzz目标。速度和质量基准位于bench/。

发布时打标签v<version>，从.github/workflows/release.yml发布crate、npm包和PyPI wheels。版本号存在于三处，发布时同步更新：

• Cargo.toml：crate
• node/package.json：npm包
• python/Cargo.toml：wheel（python/pyproject.toml读取它）

许可证

MIT