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

极致转换性能，无AI模型依赖（性能模块）
- 纯Rust实现，不依赖GPU、不加载大模型，单文档转换中位数耗时5ms以内，对比LibreOffice方案速度提升百倍级别图片
- 高吞吐，适合批量文档流水线处理，生产环境高并发场景压力小
- 浏览器WASM编译版本，文件完全本地解析，数据不会上传服务器，保护敏感资料隐私
多格式强兼容，字节级文件识别（解析模块）
- 不靠文件后缀判断格式，读取文件字节流识别真实文件类型，修改后缀名的损坏文件也可以正常解析
- 完整保留标题层级、嵌套列表、合并单元格表格、脚注、PPT演讲备注等复杂排版信息
- 统一内部文档模型，修复一处解析Bug，全部格式同步受益，不用每种文档单独维护解析器
多语言SDK+CLI命令行，适配各类开发场景（接口模块）
- CLI工具：直接命令行完成单文件、批量文档转换，脚本流水线直接调用
- Python、Node.js等SDK，快速集成进RAG服务、后端业务代码
- WASM版本：前端页面直接上传文档浏览器本地转换，不需要后端中转
- Agent Skill原生支持，Cursor等AI编程Agent可以直接调用读取本地各类文档
LLM友好标准化输出（输出渲染模块）
- 统一输出GitHub标准Markdown，格式干净规整，非常适合后续切片、向量化、检索入库
- 图片资源保留文档模型资产列表，可自行导出处理
- 输出风格统一，Word、PPT、PDF输出后结构表现一致，降低大模型理解文档的难度
轻量化部署，无重型依赖（部署模块）
- 不需要安装LibreOffice、Office套件，二进制直接运行，容器镜像体积很小
- 可嵌入程序，也可独立作为转换服务；支持本地开发、私有化部署，不用调用第三方API

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：

依赖	用途
Rust	核心语言，编译为原生库/WebAssembly
calamine	Excel（xlsx、xls、xlsb等）解析
pdf-inspector	PDF本地转换
flate2	压缩流处理
wasm-bindgen	WebAssembly绑定
maturin	Python打包

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

bash 复制代码

# 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：

py 复制代码

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：

js 复制代码

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：

bash 复制代码

// 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：

bash 复制代码

npx skills add firecrawl/anydoc