多格式文档统一解析Anydoc：简介、实战

概述

英文官网，中文官网，把网页抓取做成开发者基础设施的Firecrawl团队，使用Rust+Python开发、于26年7月30号开源（GitHub，17.4K Star，996 Fork）Anydoc，面向AI时代的底层文档转换基础设施，解决多格式办公文档统一解析的痛点。也是Firecrawl Parse的底层实现。

区别于Pandoc、LibreOffice这类传统方案，以Rust实现做到毫秒级处理、轻量化部署、输出格式统一，非常适合私有化RAG知识库、AI Agent文档读取、企业文档批量归档等场景。

竞品分析：

• Pandoc：转换表格会错乱
• mammoth：只处理Word
• markitdown：只能处理六种格式
• LibreOffice：部署笨重还耗资源，命令行速度慢
• 在线转换工具：隐私没法保证

核心特性

• 统一输出标准：所有格式先解析进同一个文档模型，再由同一个Markdown序列化器渲染。标题（带锚点）、粗体/斜体/删除线、行内代码与代码块、链接与内部交叉引用、项目符号/编号/嵌套/任务列表（保留源编号样式）、带合并单元格的表格、块引用、脚注与尾注、演讲者备注，跨格式行为完全一致；
• 嵌入式资源保留：图片和嵌入对象在Markdown中以alt文本呈现，原始字节保留在文档模型上并标注媒体类型；外部URL图片转为普通Markdown图片；
• 基于内容的格式检测：从字节内容本身识别格式（PDF头、RTF起始组、OLE流名、ZIP包mimetype），即使文件扩展名错误也能正确转换；
• 毫秒级性能：纯Rust实现，单文档中位转换耗时<5ms；
• PDF本地直转：文本型PDF通过pdf-inspector本地转换，无需OCR服务；
• 多端绑定：Node.js（libuv线程池，不阻塞事件循环）、Python（释放GIL）、WebAssembly（浏览器端本地转换，文件不出设备）、CLI、Agent Skill；
• Agent就绪：一条npx skills add firecrawl/anydoc命令，即可让Codex等AI代理直接读取办公文档；
• 安全性：内置解压、嵌套深度、节点数等固定安全限制，防范zip炸弹等恶意文件；
• 测试完备：快照测试、变异测试（mutation testing）、每格式cargo-fuzz模糊测试目标。

优势特性：

• 快：纯Rust、无外部服务调用、无网络调用、不依赖ML模型、不开子进程、纯内存、内置资源限制；
• LLM友好：页眉页脚页码这类噪音默认剔除，脚注、演讲者备注、合并单元格、嵌套列表这些有信息量的结构会尽量保留，图片和嵌入对象以alt文本形式呈现，原始字节保留在文档模型上随时可取；
• 统一：采用统一内部文档模型架构，一套内核处理全部文件格式。

核心能力

格式支持列表

• Word：.doc、.docx、.docm
• PowerPoint：.ppt、.pptx、.pps、.pot、.pptm、.ppsx、.ppsm等7种变体
• Excel：.xls、.xlsx、.xlsm、.xlsb
• OpenDocument：.odt、.ods、.odp
• 其他：RTF、EPUB、CSV、PDF

性能测试：参考官方性能测试。

适用场景：

• AI Agent读取文档：一行命令让Cursor等AI工具读取任意办公文档：npx skills add firecrawl/anydoc
• 文档批量入库：做知识库、RAG系统
• 内容迁移：从老旧系统导出Word、RTF文件，转成Markdown放到GitHub或发布到博客

原理

四层解析架构

• 内容探测优先于扩展名：格式从字节本身读出，PDF头、RTF开组、OLE流名、ZIP包mimetype。修改文件后缀名，依然能正确识别并完成转换
• 每格式一个解析器，统一汇入共享Document模型：块、行内样式、表格、脚注、嵌入资产都进同一个中间表示
• GFM（GitHub风格Markdown，GitHub Flavored Markdown）序列化器：转义、表格、标题锚点行为对所有格式一致，修一处表格转义Bug，.docx、.rtf、.odt同时受益
• PDF：文本型PDF经内置pdf-inspector本地直转，扫描件PDF使用Firecrawl云端OCR API服务

关键依赖：

实战

官网

打开官网，在线体验： 实测截图：

• 首先看看14KB小文档.docx 确实非常快，比Office-CLI都快几倍。
• 多Sheet旧版.xls文件貌似自动转为.xlsx文件，用##区分不同Sheet，3.16M文件耗时仅522ms： 支持下载，得到表格形式markdown文件。
• 再看看.pptx文件，没什么大问题。一页PPT就是一个##小标题 幻灯片的备注会被翻译为引用（即>格式） PPT里的代码片段会有格式错乱问题，原始PPT是这样： 识别后的.md格式：

CLI

npx命令无需安装环境？推荐体验

# 安装
npm install @firecrawl/anydoc
# 转换docx输出到标准输出，默认markdown
npx @firecrawl/anydoc contract.docx
# 等价命令
npx anydoc contract.docx -o contract.md
# 转换ppt并输出到指定markdown文件
npx @firecrawl/anydoc plan.pptx -o plan.md
# 从标准输入读取
npx @firecrawl/anydoc – –format csv < data.csv

Python

Python开发者，安装：pip install firecrawl-anydoc

入门示例：

import anydoc

# docx 2 md
markdown = anydoc.to_markdown("1980年代的爱情.docx")
#print(markdown)
# xls 2 md
markdown = anydoc.to_markdown("示例 – 超市.xls")
#print(markdown)
# xls 2 md from file byte
with open("示例 – 超市.xls", "rb") as f:
data = f.read()
markdown = anydoc.to_markdown_bytes(data)
#print(markdown)
# 获取文档模型
doc = anydoc.to_document(data)
# 查看所有属性名
print(dir(doc))

Python绑定转换时会释放GIL，不会阻塞其他线程。

Node.js

Node.js开发者安装：npm install @firecrawl/anydoc

WebAssembly版本可在浏览器直接运行：npm install @firecrawl/anydoc-wasm

示例：

import { toDocument, toMarkdown, toMarkdownBytes } from '@firecrawl/anydoc';

// 从文件路径转换
const markdown = await toMarkdown('report.docx');
// 从字节转换，自动检查格式
const fromBytes = await toMarkdownBytes(bytes);
// CSV，无文件签名，显示指定
const fromCsv = await toMarkdownBytes(bytes, 'csv');
// 获取文档模型（保留嵌入资源）
const document = await toDocument(bytes);

Node版本，转换跑在libuv线程池，不阻塞事件循环。

Rust

Rust项目引入cargo add anydoc

入门示例：

// 从文件路径转换
let markdown = anydoc::to_markdown("report.docx")?;
// 从字节转换，自动检查格式
let markdown = anydoc::to_markdown_bytes(&bytes, None)?;
// CSV，无文件签名，显式指定
let markdown = anydoc::to_markdown_bytes(&bytes, anydoc::Format::Csv)?;
// 获取文档模型（保留嵌入资源）
let document = anydoc::to_document(&bytes, None)?;

Agent Skills

基于npx安装：

npx skills add firecrawl/anydoc