ibrahimqureshae/mdflux

Turn any document into clean, AI-ready Markdown. Local-first desktop app: reads scanned PDFs, batches folders, runs offline, and uses far fewer tokens than vision models.

解决的问题

MDFlux 将各种文档格式转换为干净、结构化的 Markdown。这解决了在提取原始文本时丢失结构（标题、表格、列表）的问题，也避免了将文档图像发送到云端视觉模型所导致的过度消耗 token 和隐私泄露问题。它特别针对扫描 PDF 文件，这些文件通常对标准文本提取工具而言是空白的。

工作原理

MDFlux 是基于 Microsoft 的 MarkItDown 库构建的桌面应用程序。它使用本地 Python 环境处理文件——包括 PDF、Office 文档、EPUB、音频等——并将其转换为 Markdown。它内置了 OCR 功能，可恢复扫描页和图像中的文本。用户可以选择三种清理模式：无、基于规则，或使用本地或基于 API 的模型进行 AI 驱动的清理。

适用人群

  • AI 与 RAG 构建者：需要为 LLM 提供干净、结构化源文档以降低 token 成本的人
  • 研究人员：需要批量将论文和扫描档案转换为可搜索文本的人
  • 开发者：希望从二进制格式中获取可版本控制文本的用户
  • 写作者与分析师：需要从 PDF 和 Office 文件中提取干净文本的人
  • 注重隐私的用户：需要完全在本地处理敏感文档的用户

主要亮点

  • Token 高效：相比视觉模型，token 使用量减少 2 到 6 倍
  • 本地优先：文档在设备上处理，确保隐私和离线可用性
  • 广泛格式支持：支持 PDF、DOCX、PPTX、XLSX、EPUB、HTML、CSV、JSON、XML、TXT、图像和音频
  • 批量处理：可并发转换包含多种文件的整个文件夹，并支持进度追踪
  • 内置 OCR：可从扫描的、仅图像的 PDF 中恢复文本
  • 用户友好：便携式应用，普通用户无需终端即可使用

相关

  • 项目
    microsoft/markitdown

    MarkItDown 是一个 Python 库/CLI，可将多种文档类型（PDF、Office 文件、图片、音频、视频、网页内容、压缩包等）转换为 Markdown，面向大型语言模型流水线。它对常见格式可离线运行，并可选调用 Azure Document Intelligence 或 Azure Content Understanding 以获得更高质量的多模态提取。插件（例如通过 LLM 视觉进行 OCR）扩展其功能，简单的 API 让开发者能将转换集成到自己的代码中。

  • 项目
    magicrew/doc7

    一款使用多模态视觉模型将 PDF、Office 文件和图像转换为 AI 友好 Markdown 的文档转换工具，支持本地推理以保障隐私和成本效益。

  • 项目
    firecrawl/anydoc

    anydoc 是一个纯 Rust 库（附带 Node、Python 和 WebAssembly 绑定），可在数毫秒内将 14 种办公文档格式统一转换为一致的 GitHub 风格 Markdown。它保留文档结构，支持扫描 PDF 的可选托管 OCR，以 CLI、Agent Skill 和语言特定 SDK 形式打包，非常适合需要快速、统一文本提取的 LLM 导向流水线。

  • 项目
    oomol-lab/pdf-craft

    PDF Craft 是一个 Python 库，可对扫描的 PDF 进行 OCR 提取，保留结构（章节、表格、脚注、图片），并将结果导出为可编辑的 Markdown 或 EPUB。它支持远程或本地 DeepSeek 型 OCR、通过文本 LLM 进行可选翻译，并可将翻译后的文本写回新的 PDF。该包提供同步和异步 API、可重复使用的提取文件（.pcex），以及在线演示供快速测试。

  • 项目
    pymupdf/PyMuPDF

    一个高性能的 Python 库，用于提取、分析和转换 PDF 与 Office 文档，并提供适用于 AI 流水线的 LLM 友好 Markdown 与 JSON 输出。