Anydoc 跨平台文档转换器

AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

近年来，随着 LLM 能力的快速提升，AI 已经深度融入办公场景。这些场景通常涉及处理各种各样的文档格式——如 Word、PowerPoint、Excel 和 PDF——而这些格式本身并不适合 LLM 直接使用。因此，标准的做法是将它们转换为 Markdown，这使得一个高质量的文档转换器变得至关重要。

最近，Firecrawl 团队发布了"anydoc"，一个强大的开源跨平台文档转换器。它可以将 Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV 和 PDF 等格式快速转换为干净的 Markdown 文档。

1、Anydoc 特性

• 内置 Agent Skills（智能体技能），可快速集成到各种智能体平台
• 处理速度快、跨平台，使用 Rust 构建，并提供 Node.js 和 Python 绑定
• 支持非扫描版 PDF 文档并在本地运行，无需 OCR 服务
• 基于二进制数据识别文档格式，即使文件扩展名不正确也能确保准确转换
• 支持多种文档格式之间的转换；拥有统一的文档模型和 Markdown 序列化器，确保渲染效果一致

目前 anydoc 支持以下文档类型：

• Word — .doc、.docx、.docm
• PowerPoint — .ppt、.pps、.pot、.pptx、.pptm、.ppsx、.ppsm
• Excel — .xls、.xlsx、.xlsm、.xlsb
• OpenDocument — .odt、.ods、.odp
• RTF — .rtf
• EPUB — .epub
• CSV — .csv
• PDF — .pdf

2、Anydoc 性能

Anydoc 与六款主流转换器进行了对比测试，测试覆盖了 14 种格式的 100 份真实文档；得分范围为 0 到 100，分数越高表示性能越好。

3、Anydoc 在线演示

在浏览器中打开 https://batchtool.com/tools/docs-to-markdown，然后将要处理的文档拖拽到"Drop documents, or click to choose"区域即可完成转换。

4、本地部署

CLI 命令行

npx @firecrawl/anydoc report.docx               # Markdown to stdout
npx @firecrawl/anydoc slides.pptx -o slides.md  # or to a file
npx @firecrawl/anydoc - --format csv < data.csv # read stdin

Node.js

1. 安装 firecrawl/anydoc 模块

npm install @firecrawl/anydoc
# Or
pnpm add @firecrawl/anydoc

1. 使用 @firecrawl/anydoc 模块

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

// From a file path:
const markdown = await toMarkdown('report.docx');

// From bytes, with the format detected from the content:
const fromBytes = await toMarkdownBytes(bytes);

// Or stop at the document model, which also carries embedded assets.
// Unsupported for `pdf`
const document = await toDocument(bytes);

在实际的文档处理场景中，你应该使用 try…catch 语句来捕获转换过程中的错误。例如，当转换只包含图片的 PDF 文件时，会抛出错误代码为 "unsupported" 的异常。

如果你想在浏览器中使用 anydoc，则需要使用 @firecrawl/anydoc-wasm 模块。

Agent Skill（智能体技能）

如果你想在 Claude Code、Codex、Cursor 或 OpenCode 中使用 anydoc，首先需要安装内置的 anydoc Agent skill：

npx skills add firecrawl/anydoc

5、转换 PDF 文档

目前，Anydoc 不支持处理完全由图片组成的 PDF 文档；为了解决这一场景，我们可以集成 PP-OCRv6，这是 PaddlePaddle 的一个开源模型。该模型支持 50 种语言，包括简体中文、繁体中文、英语、日语，以及 46 种使用拉丁字母的语言。

对于复杂的 PDF 文档，你可以使用更强大的 PaddleOCR-VL-1.6 或 MinerU2.5-Pro 模型。

接下来，我将演示如何在 Node.js 和浏览器环境中使用 ppu-paddle-ocr 模块运行 PP-OCRv6 模型。

安装 ppu-paddle-ocr 模块。

pnpm add ppu-paddle-ocr onnxruntime-web # Browser
pnpm add ppu-paddle-ocr onnxruntime-node # Node or Bun

运行 PP-OCRv6 模型。

import { readFileSync } from "node:fs";
import { PaddleOcrService } from "ppu-paddle-ocr";

const service = new PaddleOcrService({
  debugging: {
    debug: false,
    verbose: true,
  },
});

async function main() {
  await service.initialize();

  try {
    const image = readFileSync("./assets/pp-ocrv6-models.jpg");
    const imageBuffer = image.buffer.slice(
      image.byteOffset,
      image.byteOffset + image.byteLength,
    );

    const result = await service.recognize(imageBuffer);
    console.log(result.text);
  } finally {
    await service.destroy();
  }
}

main().catch((error) => {
  console.error(error);
  process.exitCode = 1;
});

上面的示例演示了如何在 Node.js 或 Bun 中执行文本识别。如果你希望在浏览器环境中执行文本识别，则需要使用 ppu-paddle-ocr/web 导出的 PaddleOcrService。

import { PaddleOcrService } from "ppu-paddle-ocr/web";

const service = new PaddleOcrService();
await service.initialize();

const file = document.getElementById("upload").files[0];

const img = new Image();
img.src = URL.createObjectURL(file);
await new Promise((r) => (img.onload = r));

const canvas = document.createElement("canvas");
canvas.width = img.width;
canvas.height = img.height;
canvas.getContext("2d").drawImage(img, 0, 0);

const result = await service.recognize(canvas);
console.log(result.text);

6、结束语

借助 anydoc 库，我们可以轻松地在各种环境或平台上实现文档转换功能。如果你只需要处理 PDF 文档，可以使用 Firecrawl 团队开发的 pdf-inspector 库；不过它不支持基于图片的 PDF，因此你仍然需要自行集成 OCR 服务。我已经将 PP-OCRv6 Medium 模型集成到一个实际的图片翻译项目中，其识别准确率相当令人印象深刻。

原文链接: A Faster Alternative to MarkItDown, Pandoc, Docling, and Unstructured Is Here

汇智网翻译整理，转载请标明出处