AnyDoc：強大的多格式文件轉 Markdown 工具，Rust 高效開發

AnyDoc：將辦公文件秒轉為 LLM 友善 Markdown 的開源利器

在建構 RAG（檢索增強生成）系統或處理大量數位文件時，如何從不同格式中精準、快速地提取結構化資訊，一直是開發者面臨的巨大挑戰。不論是舊版的 Word、複雜的 Excel 試算表、PDF 還是 RTF 檔，這些格式常如同資料孤島。

由 Firecrawl 團隊開發的開源專案 AnyDoc 完美解決了這個痛點。它採用純 Rust 撰寫，能將多達 14 種主流辦公文件，以毫秒級的速度（中位數小於 5ms）轉換為統一、乾淨且符合 GitHub 風格的 Markdown (GFM) 格式，為 AI 應用與下游分析提供高質量的結構化資料。

圖片來源: GitHub - firecrawl/anydoc: Convert Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV, and PDF to clean Markdown. Built in Rust, with Node.js and Python bindings. · GitHub

為什麼需要通用的文件轉換器？

處理真實世界的文件時，最棘手的問題在於檔案格式的多樣性與混亂。一份 .docx 檔案可能帶有複雜的巢狀樣式，而 .odt、.rtf 或 .pdf 則有完全不同的內部儲存與排版邏輯。

過去，開發者往往需要為每種格式引入不同的第三方解析套件（例如 PDF 專用、Excel 專用等），這不僅使專案依賴變得臃腫，且當遇到檔案輕微損壞或非常規編碼時，轉換管線極易崩潰。

AnyDoc 的核心優勢在於將轉換流程高度標準化。它並非逐個格式單獨開發轉換器，而是先將所有格式解析為一個統一的「共享文件模型（Shared Document Model）」，該模型會捕捉標題、段落、列表、表格與嵌入資源，最後再由單一的 Markdown 序列化器（Serializer） 輸出。這意味著，不論是 2003 年的舊版 .doc 還是昨天的 .pptx，產出的 Markdown 結構、轉義規則與表格呈現都具有百分之百的一致性。

AnyDoc 的核心技術優勢

AnyDoc 之所以能在眾多文檔轉換工具中脫穎而出，歸功於以下架構特色：

• 極致的轉換速度： 得益於純 Rust 實現且不依賴任何機器學習模型或外部雲端服務，AnyDoc 轉換單份文件的中位數時間僅為 4.4 毫秒。相比於傳統的 LibreOffice（中位數 1129ms）或 Unstructured（中位數 572ms），速度提升了數百倍。
• 14 種格式的超廣支援：
  • Word 系列： .doc, .docx, .docm
  • PowerPoint 系列： .ppt, .pps, .pot, .pptx, .pptm, .ppsx, .ppsm
  • Excel 系列： .xls, .xlsx, .xlsm, .xlsb
  • OpenDocument 家族： .odt, .ods, .odp
  • 其他常見格式： .rtf, .epub, .csv, .pdf
• 完美的表格重組與格式保留： 處理包含合併儲存格、表頭與複雜邊界的表格是文件轉換的難點。AnyDoc 能對齊行邊界並精準重建網格，轉化為標準的 Markdown 表格。此外，它還能完美保留標題錨點、粗斜體、程式碼區塊、雙向內部交叉引用、項目/編號列表、腳註/尾註以及簡報中的講者備忘錄（Speaker Notes）。
• 自動檔案類型偵測（Content-based Detection）： AnyDoc 是透過檔案的**實際二進位特徵（Magic Bytes）**來識別格式（例如 PDF 標頭、RTF 群組標記、OLE 串流、Zip 套件的 Mimetype），而非單純依賴副檔名。即使使用者故意將 .docx 命名成 .txt，AnyDoc 也能正確識別並解析。
• 資源管理與安全性保障： 針對可能含有惡意代碼或「惡意壓縮包（Zip Bomb）」的異常文件，AnyDoc 內建了 ResourceLimit 安全閥。一旦偵測到不合理的嵌套深度、超載的解壓需求或節點數量過多，會立即觸發錯誤中斷，保障運行主機的記憶體不被耗盡。
• 本地 PDF 解析與 OCR 整合： 針對文字型 PDF，AnyDoc 可直接透過底層的 pdf-inspector 在本地進行純文字高速解析，完全無需額外呼叫雲端 OCR。若遇到掃描版 PDF，官方也提供了託管版本的 Firecrawl Parse API，可無縫對接其 OCR 視覺模型來處理無法直接讀取的核心影像頁面。

跨語言開發環境應用

AnyDoc 除了 Rust 原生庫之外，更提供了極其豐富的語言綁定。而且其底層設計非常貼心：Node.js 綁定運行於 libuv 執行緒池，絕不阻塞事件循環；Python 綁定則會釋放 GIL（全域鎖），確保多執行緒併發運行的效率。

1. Python 快速上手

您可以直接透過 PyPI 安裝 firecrawl-anydoc：

pip install firecrawl-anydoc

在代碼中只需幾行，即可靈活讀取路徑、讀取位元組或提取共享文檔模型：

import anydoc

# 1. 直接將文件轉為 Markdown 字串
markdown_text = anydoc.to_markdown("report.docx")

# 2. 從二進位位元組數據中讀取（會自動偵測格式）
with open("data.xlsx", "rb") as f:
    byte_data = f.read()
markdown_from_bytes = anydoc.to_markdown_bytes(byte_data)

# 3. 提取包含嵌入資源（如圖片位元組與媒體類型）的完整 Document 模型
document_model = anydoc.to_document(byte_data)

2. LLM 智慧代理整合（Agent Skill）

AnyDoc 原生支持作為標準的 Agent Skill。如果您正在使用 Claude Code、Cursor、Codex 等兼容 Agent 系統，只需執行以下命令，即可讓您的 AI 助手具備閱讀、轉換與理解任何本機辦公文件的能力：

npx skills add firecrawl/anydoc

常見問題

問：AnyDoc 支援哪些檔案格式？ 答：它目前原生完整支持高達 14 種格式，包括 Microsoft Office 的 Word（.doc/.docx/.docm）、PowerPoint（.ppt/.pptx 等全系列）、Excel（.xls/.xlsx/.xlsb/.xlsm）、OpenDocument（.odt/.ods/.odp）、RTF、EPUB、CSV 以及 PDF。

問：處理結構混亂的大型文件會使系統崩潰嗎？ 答：不會。AnyDoc 內建了嚴格的資源與安全限制（ConvertError::ResourceLimit）。若文件超過了系統的安全處理上限（如嵌套層級過深或檔案結構異常），它會主動拋出錯誤中斷任務，以此保護伺服器不發生 OOM（記憶體溢出）。

問：這與一般的格式轉存工具有何不同？ 答：一般的開源轉存軟體多是粗暴地將文字塞在一起，常會丟失表格的二維結構、混淆列表的編號，或遺失講者備忘錄與腳註。AnyDoc 致力於將所有檔案對齊至一個「共享文件模型」，並利用 Rust 的高性能，做到小於 5 毫秒的極致轉換，產出的 Markdown 結構標準、語意乾淨，是專為下游大語言模型（LLM）量身打造的輸入格式。

結語

AnyDoc 將混亂、分散的辦公室文檔格式，以不可思議的高速轉化為穩定、結構化的 Markdown 資料，極大地簡化了企業知識庫的標準化流程。如果您正在建構自動化知識檢索、AI Agent 或常受文檔解析效率低下所苦，不妨立即造訪 Firecrawl 的 AnyDoc GitHub 頁面 開始體驗！