给 AI 应用喂文档这件事,比想象中麻烦。
用户上传的永远是"他手头有什么":2003 年的 .doc 合同、2009 年的 .xls 导出表、一页 pitch deck、一本 .epub。AI 要读这些,得先变成干净的 Markdown。市面上每个库只覆盖一部分格式——官方基准里 markitdown 只跑通 6 种,pandoc 5 种,docling 4 种。想全支持,就把四五个库拼起来,每个都有自己的依赖、输出格式和失败方式。
前几天 Firecrawl 开源了 anydoc,想终结这件事:一个 Rust 库,14 种格式,一个输出格式。
● ● ●
一个库,14 种格式
anydoc 是 Firecrawl 开的第二个 Rust 解析库(第一个是 pdf-inspector,专做 PDF)。两个库分工明确:PDF 归 pdf-inspector,其他格式全归 anydoc。
支持清单:
- ●Word:doc、docx、docm
- ●PowerPoint:ppt、pps、pot、pptx、pptm、ppsx、ppsm
- ●Excel:xls、xlsx、xlsm、xlsb
- ●OpenDocument:odt、ods、odp
- ●RTF、EPUB、CSV
- ●PDF(走 pdf-inspector)
8 大类、21 种扩展名(PDF 单独归 pdf-inspector),全部输出 GitHub Flavored Markdown。标题带锚点,表格带合并单元格,脚注、任务列表、演讲者备注都在。
没有 API key,没有系统依赖。Rust 代码里调 anydoc::to_markdown("report.docx") 就完事。Node、Python、WASM 绑定都有,npm 包零依赖。
● ● ●
实测:比宣传的还快
官方 README 说中位转换时间 4.4ms。我克隆下来在 WSL 上实测:
- ●单个 docx:0.78ms
- ●500 个 docx 进程内循环:0.056 秒(每个 0.11ms)
- ●PDF 文本页:20ms(走 pdf-inspector)