零 OCR 依赖!Firecrawl 这个 Rust 库把 Word / PPT / Excel 全变成 Markdown

01 引言

做过知识库的同学都懂:文档转 Markdown,最折磨人的不是格式,是 OCR。

为了几张扫描页装 Tesseract,中文字库配半天;换 PaddleOCR,显存又不够;干脆调云 OCR API,按页计费,几百份文档跑下来账单吓一跳。就算文档本身是纯文本的,你也会被整套 OCR 依赖链绑架------装包、配模型、管密钥,一个都跑不掉。

所以看到 Firecrawl 开源的 anydoc 时,我最先盯上的不是"14 种格式",也不是"4.4ms",而是 README 里那句:Pure Rust, no ML models, no external services 。翻译过来就是------零 OCR 依赖,装完直接用,不联网、不加载模型、不掏钱。

02 项目简介

anydoc 是 Firecrawl 开源的纯 Rust 库,把 Word / PPT / Excel / ODF / RTF / EPUB / CSV / PDF 共 14 种格式统一转成 GFM Markdown,MIT 协议,也是 Firecrawl Parse 的底层引擎。

所有格式先解析进同一个 Document 中间模型(blocks / inlines / tables / footnotes / assets),再走同一个 GFM 序列化器------所以修一次表格转义 bug,全部格式受益。PDF 是特例,走自家的 pdf-inspector 直出 Markdown。格式识别靠字节内容标记而非扩展名,改错后缀照样转对。

官方基准 100 份真实文档、14 种格式,中位耗时 4.4ms,质量分 81(均为第一)。对比 LibreOffice 1129.5ms、pandoc 102.1ms、markitdown 134.8ms。数据有前提------项目方自测、语料未公开、LLM 判官评分,但数量级差距可信。

支持的格式一览:

类别 扩展名
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

GitHub地址:github.com/firecrawl/a...

官网地址:firecrawl.github.io/anydoc/

03 安装

官方提供了多种安装方式。

3.1 CLI

不写任何代码,直接把文档转成 Markdown 输出到终端或文件。前面几步完全不碰 OCR。

bash 复制代码
# 输出到 stdout
npx @firecrawl/anydoc report.docx

# 输出到文件
npx @firecrawl/anydoc slides.pptx -o slides.md

# 从标准输入读,CSV 这种没魔数的要显式指定格式
npx @firecrawl/anydoc - --format csv < data.csv

# 只有遇到扫描件时,才 opt-in 走托管 OCR
npx @firecrawl/anydoc scan.pdf --ocr hosted

npx 首次运行会自动下载对应平台的预编译二进制。要常驻命令就 npm install -g @firecrawl/anydoc,然后用 anydoc --help 看全部选项。Markdown 走 stdout,错误走 stderr,管道友好。

3.2 Node.js

服务端集成首选。文件路径或字节流转 Markdown,异步不阻塞事件循环,带完整 TypeScript 类型。

basg 复制代码
npm install @firecrawl/anydoc
js 复制代码
import { toDocument, toMarkdown, toMarkdownBytes } from '@firecrawl/anydoc';

// 从文件路径转
const markdown = await toMarkdown('report.docx');

// opt-in OCR(官方 README 示例漏了右花括号,正确写法如下)
const markdownWithOcr = await toMarkdown('report.docx', { ocr: 'hosted' });

// 从字节转,格式由内容自动识别
const fromBytes = await toMarkdownBytes(bytes);

// CSV 没有魔数,需要显式告诉它格式
const fromCsv = await toMarkdownBytes(bytes, 'csv');

// 只要中间模型(里面带着嵌入资源)
const document = await toDocument(bytes);

通过JS可以直接调用,也可以做成网页。

3.3 Python

在 Python 数据管道里转换,转换期间释放 GIL,多线程不受影响,自带类型 stub。

bash 复制代码
pip install firecrawl-anydoc
python 复制代码
import anydoc

# 从文件路径转
markdown = anydoc.to_markdown("report.docx")

# opt-in OCR,parse_mode 可选 auto / fast / ocr
markdown = anydoc.to_markdown("scan.pdf", ocr="hosted", parse_mode="ocr")

# 从字节转,自动嗅探格式
markdown = anydoc.to_markdown_bytes(data)

# CSV 需要显式给格式
markdown = anydoc.to_markdown_bytes(data, "csv")

# 拿中间模型,embedded assets 在里面
document = anydoc.to_document(data)

3.4 浏览器 / WASM

纯前端转换,连 OCR 服务都不存在------文件全程在浏览器里,适合合规敏感场景。

bash 复制代码
npm install @firecrawl/anydoc-wasm
js 复制代码
import init, { toMarkdownBytes, toDocument } from '@firecrawl/anydoc-wasm';

await init();  // 必须先初始化 WASM

const markdown = toMarkdownBytes(bytes);
const fromCsv = toMarkdownBytes(bytes, 'csv');
const document = toDocument(bytes);

WASM 版本是同步 API(转换那一步没有 await),别跟 Node 版搞混。

3.5 Rust

嵌进 Rust 服务,零网络调用,极致性能。

bash 复制代码
cargo add anydoc
rust 复制代码
let markdown = anydoc::to_markdown("report.docx")?;
let markdown = anydoc::to_markdown_bytes(&bytes, None)?;
let markdown = anydoc::to_markdown_bytes(&bytes, anydoc::Format::Csv)?;
let document = anydoc::to_document(&bytes, None)?;

Rust crate 没有 ocr 选项,也永远不会发起网络请求。真要 OCR,得在 Rust 之外自己接服务------这是刻意保持的纯净边界。

3.6 Agent Skill

让 AI 自己会转文档。给智能体装一个技能,遇到办公文档自动用 anydoc CLI 转换。

bash 复制代码
npx skills add firecrawl/anydoc

技能定义在 skills/convert-documents-to-markdown/SKILL.md,兼容 Claude Code、Codex、Cursor、OpenCode 等遵循 agentskills.io 协议的客户端。

04 实战

最简单的安装方式就是直接丢给Agent,直接作为skill使用。我们这里演示可以直接使用官方提供的演示界面,也及官网的首页:firecrawl.github.io/anydoc/

4.1 pdf测试

源文件:

转化后会直接显示识别的文字:

转化后的结果:

格式错乱不可避免,但是文字识别基本无误。这对知识库的建立提供了良好的基础。

4.2 word测试

word的转化还是相当感人的,保持了基本的格式。

4.3 ppt测试

05 小结

虽然还有很多转化为markdown文档的工具,但零 OCR 依赖,绝对是 anydoc 最被低估的优势。RAG 知识库入库、文档批量预处理、需要保留标题层级和表格结构的内容迁移、对延迟敏感或合规要求高的在线转换,anydoc绝对是一大助力。

相关推荐
Rain的Java大神之路5 分钟前
别被 ChatGPT 的打字机效果骗了:一字一字蹦,才是 LLM 自回归的命门(附大厂 Java 流式落地)
java·后端·面试
AAA修煤气灶刘哥8 分钟前
同一个项目,为什么换个 Agent 又得从头解释?
后端·架构·代码规范
渣渣盟19 分钟前
狂命爆肝99天,共52K字的JAVA学习笔记奉上,JAVA从入门到精通一文搞定,一文在手JAVA无忧
java·笔记·学习
BingoGo1 小时前
PHP 8.6 正式发布
后端·php
JaguarJack1 小时前
PHP 8.6 正式发布
后端·php·服务端
星落梦生2 小时前
Maven高级(9)
java·maven
码事漫谈10 小时前
# 2027年,AI终于要开始“干活”了
后端
小满zs11 小时前
Go语言第二十一章(Gin上传文件)
后端·go
兴趣互联12 小时前
jeecgboot nacos2.3.2 使用pgsql
java