Awesome AI Pedia

Appearance

anydoc：Firecrawl 出品的「任意办公文档 → 干净 Markdown」Rust 转换器 ​

  • 仓库：https://github.com/firecrawl/anydoc

  • 热度：⭐ 17,341 · 🍴 996（截至 2026-08-20）

  • 首次发布：2026-08-03（半个多月冲到 1.7 万星）

  • 分发：crates.io / @firecrawl/anydoc（npm） / firecrawl-anydoc（PyPI） / @firecrawl/anydoc-wasm（浏览器）

一句话总结 ​

anydoc 是 Firecrawl 团队用纯 Rust 写的**「一份代码把 Word / PowerPoint / Excel / OpenDocument / RTF / EPUB / CSV / PDF 全都转成 LLM-ready GitHub-Flavored Markdown」**的库。核心卖点两个字：统一 + 快——所有格式走同一个 document model + 同一个 GFM serializer，中位耗时 < 5ms/文档，比 LibreOffice 快 ~250 倍，且质量分全面碾压 markitdown / unstructured / pandoc / docling。

它同时打包成 Agent Skill：npx skills add firecrawl/anydoc 一句话就能让 Claude Code / Codex / Cursor / OpenCode 学会读办公文档。

支持的 14 种格式 ​

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（文本 PDF，走同厂 pdf-inspector，不需要 OCR 服务）

五分钟上手 ​

作为 Agent Skill（推荐给 Claude Code 用户） ​

bash
npx skills add firecrawl/anydoc

装完，agent 遇到任何办公文档都能读——skills/convert-documents-to-markdown/SKILL.md 教会它调 anydoc CLI。

CLI ​

bash
npx @firecrawl/anydoc report.docx                # 输出到 stdout
npx @firecrawl/anydoc slides.pptx -o slides.md   # 输出到文件
npx @firecrawl/anydoc - --format csv < data.csv  # 从 stdin 读

# 常驻命令：
npm install -g @firecrawl/anydoc
anydoc --help

npx 首次运行会下载对应平台预编译二进制，无需 Rust 环境。

Node.js ​

bash
npm install @firecrawl/anydoc
js
import { toDocument, toMarkdown, toMarkdownBytes } from '@firecrawl/anydoc';

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

// 从字节，自动嗅探格式
const md2 = await toMarkdownBytes(bytes);

// CSV 这种没签名的格式，必须显式指定
const md3 = await toMarkdownBytes(bytes, 'csv');

// 只到 document model 层（带内嵌资产原始字节 + media type）
const doc = await toDocument(bytes);

Node 绑定跑在 libuv 线程池上，不阻塞事件循环。

Python ​

bash
pip install firecrawl-anydoc
python
import anydoc

markdown = anydoc.to_markdown("report.docx")
markdown = anydoc.to_markdown_bytes(data)
markdown = anydoc.to_markdown_bytes(data, "csv")
document = anydoc.to_document(data)

Python 绑定主动释放 GIL，其他线程不会被阻塞。

浏览器 WASM ​

bash
npm install @firecrawl/anydoc-wasm
js
import init, { toMarkdownBytes, toDocument } from '@firecrawl/anydoc-wasm';
await init();
const md = toMarkdownBytes(bytes);

文件在本机浏览器里转换，不上传任何服务器——官方 demo 页就是这么跑的。

Rust ​

bash
cargo add anydoc
rust
let md = anydoc::to_markdown("report.docx")?;
let md = anydoc::to_markdown_bytes(&bytes, None)?;
let md = anydoc::to_markdown_bytes(&bytes, anydoc::Format::Csv)?;
let doc = anydoc::to_document(&bytes, None)?;

核心特性 ​

  • 一份 Markdown 输出适配所有格式——docx / rtf / odt / pptx 全部走同一个 document model → 同一个 GFM serializer。表格转义、标题锚点、脚注行为跨格式一致，2003 的 .doc 和昨天的 .pptx 走同一套逻辑。
  • 完整保留文档结构——带锚点的标题、粗体/斜体/删除线、行内代码和代码块、链接和内部交叉引用、有序/无序/嵌套/任务列表（保留源文件自己的编号）、带合并单元格和表头的表格、块引用、脚注/尾注、演讲者备注。
  • 嵌入资产——图片/嵌入对象在 Markdown 里渲染为 alt text，原始字节仍挂在 document model 上并标注 media type；外链图片直接变成普通 Markdown 图片。
  • 内容嗅探格式（不看扩展名）——PDF header、RTF open group、OLE stream 名、ZIP 包 mimetype……改错扩展名也能正确识别。
  • 快——纯 Rust，无 ML 模型、无外部服务，中位耗时 < 5ms。
  • PDF 内建支持——文本 PDF 走 pdf-inspector，本地转换，不需要 OCR。
  • Agent Ready——一行 npx skills add firecrawl/anydoc 即用。

需要 OCR 处理扫描件？官方指路 Firecrawl Parse 托管 API，同样的转换 + OCR 模型。

基准测试：14 种格式全部第一 ​

anydoc 对比其他 6 个转换器，100 份真实文档、14 种格式，LLM Judge（Claude Sonnet 5）盲评，交换位置消偏，共 482 次判决：

工具覆盖格式中位耗时综合分完整性结构格式化干净度
anydoc14/144.4ms8187797881
libreoffice12/141129.5ms4059424024
unstructured8/14572.9ms6376595163
markitdown6/14134.8ms6578666052
pandoc5/14102.1ms5674575638
docling4/14513.6ms5760605751
mammoth1/1452.5ms7084717551

逐格式对比（同格式下 anydoc 分数）：doc 87、docm 84、docx 88、epub 77、odp 86、ods 82、odt 80、ppt 80、pptx 74、rtf 88、xls 80、xlsm 76、xlsx 72——每个都是第一名。

结论（官方原话）：在这轮对比中，anydoc 是唯一覆盖全部 14 种格式的工具，每个被评的格式都拿到最高分，速度比第二名快一个数量级。

评测方法学挺严谨：Ground truth 用 LibreOffice 把文档前 6 页渲成图作参照，交换位置消位置偏。速度是 Ryzen 9 9950X3D 单次热转换的中位时间——Rust 版排除进程启动，CLI 工具包含进程启动（因为那才是真实使用方式）。

错误分类（可编程处理） ​

Variant含义
Unsupported未知格式或不可转换（如纯图 PDF）
Malformed结构破损，抽不出内容
Encrypted加密/密码保护
ResourceLimit触发安全上限（解压/嵌套/节点数）
MissingPart缺少必要的组成部分
Io文件读不出来（仅 to_markdown 返回）

Node/WASM 通过 error.code 暴露；Python 每个 variant 一个 anydoc.ConvertError 子类。接入时可以按 variant 分流——比如遇到 Encrypted 就跳过、遇到 ResourceLimit 就告警。

架构一览 ​

document bytes
  │
  ├─► 格式嗅探           → 看内容 marker，不看扩展名
  │
  ├─► 各格式 parser      → doc/docx/ppt/pptx/xls/xlsx/odt/ods/odp/rtf/epub/csv
  │         │
  │         └─► Document → 共享模型：blocks/inlines/tables/footnotes/assets
  │               │
  │               └─► GFM serializer → Markdown
  │
  └─► PDF → pdf-inspector → 直接产出 Markdown

关键设计：所有格式共用 document model + 共用 serializer——修一个 bug（比如表格转义）自动惠及所有格式。这是它能保持"跨格式一致输出"的根源。

值得留意的点 ​

  • 不做 OCR——扫描件 / 纯图 PDF 需要走 Firecrawl Parse 托管服务或别的方案。
  • 不做 Excel 公式求值——只导出单元格内容和结构。
  • CSV 无 magic bytes——从 bytes 转必须显式传 'csv'，从文件转看扩展名。
  • 无 ML 模型 = 无 GPU 依赖——但也意味着不做「智能理解」，只做结构化提取。
  • 测试严谨：tests/fixtures/ 快照测试 + tests/robustness.rs mutation test + fuzz/ 每格式一个 cargo-fuzz target——比大多数同类工具靠谱得多。

我的判断 ​

anydoc 的位置非常好：

  • 对比 markitdown / unstructured：更全（14 vs 6/8）、更快（4ms vs 130–570ms）、质量更高，且不依赖 Python 运行时；
  • 对比 pandoc：格式覆盖更广、体积更小、无外部依赖；
  • 对比 docling：不吃 ML 模型，本地化部署零门槛；
  • 对比 LibreOffice headless：快 250 倍，输出还更干净——LibreOffice 那种 40 分的输出根本不能直接给 LLM 读。

适合谁：

  1. 需要给 LLM 喂各类办公文档的场景——RAG 索引、Agent 处理邮件附件、企业知识库 ETL；
  2. 想要一个跨语言一致的转换库——同一份 Rust 核心 + Node/Python/浏览器绑定；
  3. 对速度和资源敏感的批处理——4ms/doc 的中位耗时意味着单机每分钟能处理 15000 份；
  4. Claude Code / Codex 用户——直接 npx skills add firecrawl/anydoc 让 agent 学会读文档。

注意：

  • 扫描件需另找 OCR 方案；
  • 只有 14 种格式（虽然已经很全）——HTML、Markdown、JSON、图片等不在其列；
  • 半个月冲上 1.7 万星，说明这个赛道之前一直缺一个"又快又全又对"的选手——但也意味着还年轻，边角格式（.doc 2003、.xlsb、.ppsm）遇到极端 corner case 时值得多试几个样本。

常用命令速查 ​

bash
# 装 Agent Skill（推荐）
npx skills add firecrawl/anydoc

# 一次性 CLI
npx @firecrawl/anydoc report.docx
npx @firecrawl/anydoc slides.pptx -o slides.md
cat data.csv | npx @firecrawl/anydoc - --format csv

# 全局安装
npm install -g @firecrawl/anydoc

# 各语言 SDK
npm install @firecrawl/anydoc              # Node.js
pip install firecrawl-anydoc                # Python
npm install @firecrawl/anydoc-wasm          # 浏览器 WASM
cargo add anydoc                            # Rust