如果平时喜欢用 Obsidian 或者各类 Markdown 文件来保存自己资料的小伙伴，大概都会遇到一个问题：自己的笔记可以尽量使用 Markdown 来保存，但别人发来的东西，就由不得自己了，格式会千奇百怪了，而且很多历史遗留下来的归档文件也是各种格式。
比方说，Word 文档、 Excel 表格、几十页的 PPT，最常见的可能还是 PDF 文件。倒不是说不能打开它们，但是想把内容放进同一个笔记库，用来进行搜索、引用、修改，或者让 AI 来处理，就需要折腾一轮格式。而且即使 AI 能直接读取这些格式，效率也会大打折扣。
而这其中大多数都只是有结构性的文字材料而已，Markdown 完全可以胜任替换。
现在，Firecrawl 出了一款开源的 AnyDoc，带来了一个实用的文档转换功能：把 Word、Excel、PowerPoint、EPUB、PDF 等文档转换成 Markdown，方便后续处理。
对我个人来说，那些散落在文件夹里、只能偶尔打开看看的文档资料，有机会重新进入我们日常使用的工作流和笔记库中了。这对于 AI 搜索笔记也是极大的方便。
AnyDoc 支持哪些文件转换为 Markdown
AnyDoc 以 Rust 编写，采用 MIT 许可证，提供了浏览器、命令行以及不同编程语言的入口。
它的输入格式也相当实用。如果平时保存的资料当中有很多来自「上古时代」的遗产数据，这就用得上了。它支持的文件格式包括：
- 现代 Office 文档：常见的
.docx、.xlsx、.pptx - 老式 Office 文档：传统的
.doc、.xls、.ppt - 其他常见文档与电子书格式：OpenDocument、RTF、EPUB、CSV 和 PDF
我们知道，Markdown 并不能完全映射 Office 文档，所以转换结果中，虽然标题还是标题，列表还是列表，表格也能尽量保持行列关系，但也仅限于基本内容的准确性，肯定不能保证所有格式，尤其是一些 Office 专有功能的完整展现。什么 PPT 的动画、Excel 的交互计算、Word 的精细版式，仍然需要打开原来的文件才能展现。
不过这也足够了，我的主要目的也只是对基本内容进行文本转换，变成可检索的格式而已。也正因如此，我会把转换结果当成一份方便阅读和加工的副本，而原件则继续保留。
这对于批量整理尤其有用。假如每一种文件都用不同工具转换，最后得到的标题、表格、链接写法也可能各有习惯。等到资料汇总时，还得再做数据清洗。AnyDoc 的统一转换输出至少就能减少这一层麻烦。
最容易上手的方式：浏览器里的本地转换
是不是听起来很矛盾？又是浏览器，又是本地。
但实际上，有很多产品已经采用了这种「看似矛盾」的方式，浏览器只是下载了一段代码而已，真正运行的数据还是在你本地存储。具体来说，它使用了 WebAssembly，把格式转换程序放到浏览器的「虚拟机」中运行。
对于偶尔转换几份资料，可以先打开 AnyDoc 官网。网页加载转换组件后，就可以选择文件，查看结果，再复制内容或下载 .md 文件。页面还提供 RTF 和 CSV 示例，手边即使没有文档也能先可立刻看下输出的效果。
对于只临时想把一份 Word 转成 Markdown、放进笔记库的人，这个入口已经足够方便了。
PDF 转 Markdown，有潜在的麻烦
大多数 PDF 其实就像是一个标准的普通文档，转换也不费什么劲。但是，有些 PDF 文档其中夹杂的是扫描图像，但看起来像是普通的文字文档；还有一些文档中复合了一些复杂的表格或公式之类的内容，或者嵌入了一些其他格式的媒体。
一般对于嵌入扫描文字图片的 PDF，有专门的 OCR 转换工具来处理。AnyDoc 目前可以在本地轻松处理有可用文字层的 PDF。对于需要 OCR 的页面，本地转换器本身不提供 OCR，需要外接 OCR 插件才能执行。AnyDoc 接口提供可选的托管 OCR 服务。
需要注意的是，一旦使用外部 OCR 服务，文档就会上传到远程的服务器，从而脱离你的本地处理。
让 AI Agent 和 CLI 用 AnyDoc 读取 Word 和 PPT
AnyDoc 提供了一个 Agent Skill。它的作用，是告诉 AI 客户端，在需要读取办公文档时怎样调用转换工具。官方给出的安装入口是：
npx skills add firecrawl/anydoc
这个 Skill 最终使用的是 AnyDoc 命令行；如果你本来就愿意使用命令行，也可以直接用命令转换：
npx @firecrawl/anydoc report.docx -o report.mdnpx @firecrawl/anydoc slides.pptx -o slides.md
第一次运行需要下载相应程序包，准备好依赖后，普通文档的转换在本地完成。
这种命令接口的好处，完全符合我一直提倡的「工具链」思路，转换工具只负责转换，也可以嵌入工作流，和其它环节组合，完成某个工作任务。
比如，可以给 AI 一个具体任务，读取这些转换后的资料，找出几份不同来源或格式方案之间的共同要求，把分歧单独列出，并标明来自哪份文件。其中，前置环节由 AnyDoc 解析文件，转换成 Markdown，然后，AI 进行分析和比较，并将其中不同之处用 Markdown 输出。
最后：AnyDoc 本地转换体验与评测
AnyDoc 把很多原本停留在附件或者是归档文件夹里的内容，变成了可以继续使用的文本。
我这里已经做了一些转换，由于是本地处理，速度还是很快的：
- 处理速度极快：一般的 Office 文档几乎在一秒内完成。30 MB 的 PDF 也就用了 1~2 秒左右。
- PDF 扫描件需注意：当然 PDF 有多种问题，前面也说过了。尤其是其中嵌入含有需要 OCR 的图片、扫描件时尤其要注意。
- 表格排版受限：还有就是表格的排版，受限于 Markdown 本身限制，也不能期待太高。
- 电子书耗时略长：如果是一本书（EPUB）的转换，速度明显慢于 PDF（同等大小要慢几倍），有时要好几秒，另外还要注意一些书籍排版格式（页脚之类的格式）。
总的来说，AnyDoc 是一款轻量快速的 Markdown 文字转换工具，特别适合将历史材料转换后加入笔记库，供检索或 AI 处理。如果想要注重阅读体验，那还是要依赖于原文档格式，大家各取所需吧。
发表回复