firecrawl/anydoc

解决的问题

anydoc 是一个高性能库，旨在将各种办公文档转换为整洁的 GitHub 风格 Markdown。它解决了不同文件格式之间文档解析不一致且速度慢的问题，提供了一种单一、一致的输出格式，非常适合用于准备适配 LLM 的数据。

工作原理

该库使用纯 Rust 编写以保证速度，不依赖 ML 模型或外部服务。它采用多步处理流程：

1. 格式检测：根据内容标记（字节）识别文件类型，而不是依赖文件扩展名。
2. 格式解析器：每种受支持的格式都有各自的解析器，可将文档转换为共享的内部文档模型（包含块、行内元素、表格和资源）。
3. GFM 序列化器：随后通过单个序列化器将此共享模型渲染为 Markdown，确保所有输入格式在表格和脚注等元素上的行为保持一致。
4. PDF 处理：基于文本的 PDF 使用 pdf-inspector 直接转换为 Markdown。

适用人群

• AI 开发者：构建 RAG 流水线或 LLM 应用，需要处理各种混合办公文档的人员。
• 智能体工作流：创建 AI 智能体的开发者，使其能够通过提供的“Agent Skill”集成读取并处理本地文件。
• 软件工程师：任何需要快速、本地且一致的文档转 Markdown 转换器的人，该转换器提供 Node.js、Python 和 Rust 的绑定，或支持通过 WebAssembly 在浏览器中运行。

核心亮点

• 广泛的格式支持：支持 14 种格式，包括 Word、PowerPoint、Excel、OpenDocument 和 PDF。
• 极速转换：每个文档的中位转换时间不到 5ms。
• 一致的输出：共享的文档模型确保格式（如数学公式 LaTeX）在所有格式中保持统一。
• 本地处理：核心转换无需调用外部 API 或使用 ML 模型，并提供 WebAssembly 版本以支持基于本地浏览器的转换。
• 智能体就绪：作为 Agent Skill 集成，使 AI 智能体能够轻松采用文档读取功能。