Anything To Md

[](https://github.com/1596941391qq/anything-to-md/stargazers) [](LICENSE) [](https://www.python.org/) [](#mcp-server)

Anything-to-MD

把任何文件变成 AI 能吃的 Markdown。PDF、Office、图片、音视频、YouTube — 一个命令搞定。

anything-to-md file report.pdf -o ./output

为什么需要这个

LLM 不吃 PDF，不吃 PPT，不吃视频。但你的知识全在这些格式里。

Anything-to-MD 是一个统一转换层：**原始多模态输入 → 结构化、可索引、可总结的 Markdown**。

三种使用方式，同一套引擎：

方式	场景
CLI	本地命令行，单文件或批量
MCP Server	Claude Code / Cursor / AionUI 等 MCP 客户端直接调用
Skill	Agent 工作流中作为可复用能力

架构

输入文件
  │
  ├─ PDF ──→ MinerU (OCR级) ──→ MarkItDown ──→ pypdf
  │          布局检测+表格识别     文本提取        纯文本兜底
  │          图片提取+公式识别
  │
  ├─ Office (DOCX/XLSX/PPTX) ──→ MarkItDown ──→ openpyxl 兜底
  │
  ├─ 图片 ──→ MarkItDown + OCR 插件
  │
  ├─ 视频 ──→ VideoRouter (智能路由)
  │     │
  │     ├─ PROBE: 探测字幕轨/音频轨/画面文字
  │     ├─ DECIDE: 选择最优策略
  │     ├─ EXTRACT: 字幕提取 / faster-whisper / 关键帧OCR
  │     └─ FUSE: 时间轴对齐 + 内容去重
  │
  ├─ 音频 ──→ faster-whisper 转写
  │
  ├─ YouTube ──→ yt-dlp 字幕/转写
  │
  └─ HTML/EPUB/CSV/JSON/XML ──→ MarkItDown
                                      │
                                      ▼
                              结构化 Markdown 输出

每种格式都有多级降级链。上游失败，自动切下游，不丢内容。

PDF 三级引擎

这是核心差异化能力。大多数工具只有一个 PDF 后端，遇到扫描件或中文图文混排就歇菜。

优先级	引擎	能力	适用场景
1	MinerU	OCR + 布局检测 + 表格识别 + 图片提取	扫描件、中文/CJK、PPT导出、图文混排
2	MarkItDown	快速文本提取	纯文本 PDF、英文文档
3	pypdf	基础文本提取	最后兜底

MinerU 首次运行会下载 ~2GB 模型（后续秒开）。如果你的 PDF 是纯文本英文，MarkItDown 就够了；但凡涉及中文、扫描件、表格 — MinerU 是质的飞跃。

视频智能路由（NEW）

视频不是简单的"转写"就完事。很多视频（教程、PPT录屏、带字幕的讲座）的核心信息在画面上。

4 阶段流水线

PROBE → DECIDE → EXTRACT → FUSE

**Phase 1