firecrawl/anydoc · 上手攻略

仓库：firecrawl/anydoc
链接：https://github.com/firecrawl/anydoc
分类：文档处理 · Rust 工具 · AI 数据准备
作者：Tom
更新：2026-08-06

这是什么

anydoc 是 Firecrawl（知名网页抓取工具团队）开源的 Rust 文档转换库，专注将各类办公文档（Word、Excel、PowerPoint、PDF、EPUB、CSV、RTF、OpenDocument 等 14 种格式）统一转为干净的 GitHub-Flavored Markdown，中间位数延迟低于 5ms。

它不跑 ML 模型，不调外部 OCR 服务，纯 Rust 实现，有 Node.js、Python、WASM 四套语言绑定。设计目标是让 AI agent 能原生"读懂"各种格式的文档内容，把文档变成 LLM-ready 的结构化文本。

解决什么问题

在 AI 数据处理流水线中，最烦的不是模型不够强，而是文档格式太乱。PDF 抽不出文字、Word 样式丢失、Excel 转 CSV 乱码——这些问题是 data engineering 的日常痛点。

anydoc 的核心价值： - 格式全覆盖：14 种格式统一进、Markdown 统一出，一套逻辑处理所有类型 - 输出稳定：同一 Markdown 序列化器处理所有格式，加粗、表格、列表、代码块、注脚行为完全一致 - 速度快：Rust 实现，中位延迟 <5ms，比 LibreOffice（~1129ms）快 200 倍 - 结构保留完整：标题层级、表格合并单元格、编号列表原始序号、PPT 演讲者备注，均保留

快速安装

Node.js（npm，含 WASM 浏览器版）

# CLI（自动下载平台对应二进制）
npx @firecrawl/anydoc report.docx

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

# Node.js 库
npm install @firecrawl/anydoc

# 浏览器 WASM 版
npm install @firecrawl/anydoc-wasm

Python

pip install firecrawl-anydoc

Rust（直接用 Cargo）

[dependencies]
anydoc = "1"

Agent Skill 方式（Claude Code / Codex 等通用）

npx skills add firecrawl/anydoc

⚠️ Python 绑定版本需确认：pypi 上包名为 firecrawl-anydoc，非 anydoc。Rust crate 名为 anydoc。

核心用法

CLI 命令行

# 文件转 Markdown 输出到 stdout
npx @firecrawl/anydoc report.docx

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

# 读 stdin（CSV 场景）
npx @firecrawl/anydoc - --format csv < data.csv > data.md

# 查看所有选项
npx @firecrawl/anydoc --help

Python API

import anydoc

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

# 从字节流（自动识别格式）
markdown = anydoc.to_markdown_bytes(data)

# CSV 等无签名格式需显式指定
markdown = anydoc.to_markdown_bytes(data, "csv")

# 保留嵌入资源（图）到 document 模型
document = anydoc.to_document(data)
# document.images 里有各图片原始字节与 MIME type

Node.js API

import { toMarkdown, toMarkdownBytes, toDocument } from '@firecrawl/anydoc';

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

// 从字节流
const md = await toMarkdownBytes(bytes);

// 保留图片等资源
const doc = await toDocument(bytes);
// doc.assets 里有各嵌入资源的字节数据

Rust API

use anydoc::{to_markdown, to_markdown_bytes, to_document, Format};

let md = to_markdown("report.docx")?;
let md = to_markdown_bytes(&bytes, None)?;
let md = to_markdown_bytes(&bytes, Some(Format::Csv))?;
let doc = to_document(&bytes, None)?;

典型适用场景

RAG 数据预处理：将 PDF/Word 合同、报告批量转 Markdown，构建向量知识库
AI Agent 文档读取：Agent Skill 安装后直接读用户上传的 .docx/.xlsx，Claude Code / Codex 原生理解办公文件
数据迁移管道：旧系统导出的 .doc/.xls 文件转结构化文本，用于大模型分析
PPT 笔记提取：将 PowerPoint 演讲稿转 Markdown，快速提取演讲者备注

坑与注意

坑点	说明
PDF 纯图片扫描页无法识别	anydoc 的 PDF 解析基于文本层，扫描件（无文字层）会输出空白；Firecrawl 托管 API 有 OCR 模型处理这类情况
CSV 无文件签名	CSV 是纯文本流，格式靠内容检测不够可靠，README 建议显式指定 `--format csv`
Python 包名不是 `anydoc`	pypi 上是 `firecrawl-anydoc`，直接 `pip install anydoc` 会装到别的包
`.doc`（旧版 Word）支持有限	评测中 `.doc` 得分（87）低于 `.docx`（86），旧格式建议先转 `.docx` 再处理
加密文件无法处理	密码保护的 Office 文档会直接失败，需先解密

与同类对比

工具	支持格式数	中位延迟	输出质量评分	说明
anydoc	14	4.4ms	94	Rust，无外部依赖，速度最快
LibreOffice	12	1129ms	87	通用办公软件，依赖重，适合复杂格式保真
unstructured	8	573ms	58	Python 库，ML 驱动，适合非结构化数据
markitdown	6	135ms	33	轻量，但支持格式少
pandoc	5	102ms	34	通用文档转换，可做格式互转，但非专为 LLM 设计
docling	4	514ms	21	专注 PDF 深度解析，但速度慢
mammoth	1	53ms	8	仅支持 .docx，简单场景够用

结论：anydoc 在格式覆盖、速度、输出质量三个维度同时领先，最适合作为 AI 数据流水线的入口。复杂 Word 格式保真场景可考虑加一层 LibreOffice 后处理。

一句话推荐结论

anydoc 是目前将办公文档转 LLM 可读 Markdown 的最优选择——14 格式全覆盖、5ms 级延迟、Rust 原生实现，AI 数据准备管道必装。

最小可跑命令

# Node.js 环境
npm install -g @firecrawl/anydoc
npx @firecrawl/anydoc ./test.docx -o test.md
cat test.md

# Python 环境
pip install firecrawl-anydoc
python -c "import anydoc; print(anydoc.to_markdown('test.docx'))"

硬件/版本备注：Rust 二进制跨平台，支持 macOS/Linux/Windows；Python 3.8+；Node.js 18+。PDF 扫描件识别需补充 OCR 步骤（如 Tesseract 或 Firecrawl 托管 API）。

原始链接：https://github.com/firecrawl/anydoc | 无特定 commit SHA 引用，v1.x 版本。