firecrawl/anydoc

anydoc 的功能

anydoc 是一个快速的纯 Rust 库，可将多种办公文件（Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV、PDF）转换为干净的 GitHub 风格 Markdown。无论从哪种格式开始，它都能提供相同的转换结果，保留文档结构（标题、表格、列表、脚注、公式、嵌入式图像等），并输出单一、一致的 Markdown 表示形式。

核心库已针对四种环境打包：

语言 / 平台	使用方式	典型入口点
Rust (crate)	cargo add anydoc 然后调用 anydoc::to_markdown…	anydoc::to_markdown("file.docx")?
Node.js (npm)	npm install @firecrawl/anydoc	await toMarkdown("file.pptx")
Python (PyPI)	pip install firecrawl-anydoc	anydoc.to_markdown("file.xlsx")
Web (Wasm)	npm install @firecrawl/anydoc-wasm + await init()	toMarkdownBytes(bytes)

一个轻量级 CLI（npx @firecrawl/anydoc …）和一个 Agent Skill 使您可以通过单个命令从命令行或 AI 代理框架中调用转换器。

---

为何对 AI / LLM 流水线至关重要

大型语言模型在处理纯文本（尤其是保留标题、表格和代码块的 Markdown）时表现最佳。任何需要处理用户上传文档的工作流——知识库构建、检索增强生成、数据提取或聊天助手文件读取——都需要一种可靠的方法，将这些异构格式统一为一致的文本表示。anydoc 提供了：

• 速度 – 每个文档的中位数 < 5 毫秒（纯 Rust，无机器学习模型）。
• 覆盖范围 – 支持 14 种格式，是基准测试中唯一支持全部格式的开源工具。
• 结构保留 – 标题、列表、表格、脚注、LaTeX 公式和嵌入式资源均被保留，使下游 LLM 能够理解文档层级。
• 本地处理 – 转换在客户端机器上运行；仅需 OCR 的扫描 PDF 会可选地发送至 Firecrawl 的托管 OCR 服务。

这些特性使其成为任何需要从任意办公文件中提供“LLM 就绪”文本系统的坚实构建模块。

---

工作原理（高层次）

1. 格式检测 – 读取魔数字节（PDF 头部、OLE 流、ZIP MIME 类型等）以推断文件类型，忽略文件扩展名。
2. 格式专用解析器 – 每种支持的格式都有专用解析器，提取一个 共享文档模型（块、内联元素、表格、脚注、资源）。
3. 统一序列化器 – 模型传递给单一的 GitHub 风格 Markdown 序列化器，确保一致的转义、标题锚点、表格格式等。
4. PDF 处理 – 文本型 PDF 通过 pdf-inspector crate 在本地处理。扫描 PDF 会抛出 NeedsOcr 错误；您可以选择将其发送至 Firecrawl Parse（托管 OCR），返回相同的 Markdown。

由于所有格式都通过同一模型，bug 修复或功能改进会自动惠及所有格式。

---

快速入门（示例）

CLI（无需安装）

npx @firecrawl/anydoc report.docx          # 将 Markdown 输出到 stdout
npx @firecrawl/anydoc slides.pptx -o out.md
npx @firecrawl/anydoc scan.pdf --ocr hosted   # 为扫描 PDF 使用托管 OCR

Node.js

import { toMarkdown } from '@firecrawl/anydoc';
const md = await toMarkdown('report.docx');

Python

import anydoc
md = anydoc.to_markdown('report.docx')

Rust

let md = anydoc::to_markdown("report.docx")?;

---

限制与注意事项

• 无内置 OCR – 纯 Rust 转换仅处理文本型 PDF。扫描 PDF 必须发送至可选的托管 OCR 服务（ocr: "hosted"）。
• 加密 / 密码保护文件 会抛出 Encrypted 错误，无法转换。
• 资源限制 – 极度嵌套或巨大的归档文件可能触及安全上限（解压、节点数），返回 ResourceLimit。
• Rust crate 不暴露 OCR；只有 Node/Python 绑定可以转发至托管服务。

---

谁会使用它？

• 需要读取用户上传文档的 LLM 驱动助手（如 ChatGPT 插件、Claude 代理）。
• 从混合办公文件构建可搜索知识库的 RAG 流水线。
• 将表格、表单或报告转换为结构化文本的数据提取工具。
• 用于索引、摘要或翻译的文档批量处理自动化脚本。

---

许可证

MIT – 免费用于商业和非商业用途。