已收錄309 則資訊/102 款 AI 工具/395 個開源專案/73 個學習資源
首頁資訊開源排行榜模型排行AI 工具學習資源
首頁 / 開源排行榜 / anydoc

anydoc

一個快速的 Rust 函式庫，可將 Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV 和 PDF 檔案轉換為乾淨、一致的 Markdown。

RustMITCrawler
⭐ GitHubhttps://github.com/firecrawl/anydoc
15,193
Star 數
+0
Star 增速
2026年8月11日
最後更新
7
點擊數

1. 專案概覽

anydoc 是一個以 Rust 為基礎的快速函式庫，可將 Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV 和 PDF 檔案轉換為乾淨、一致的 GitHub-Flavored Markdown，為開發者和 AI 代理提供一條從任何辦公室文件到 LLM 就緒文字的可靠路徑。

2. 背景與定位

由 Firecrawl 開發，anydoc 旨在解決文件處理和 AI 管線中反覆出現的問題：辦公室文件以多種舊式與現代格式送達，而每個現有的轉換器僅能處理其中一部分，且輸出品質和速度往往差異極大。anydoc 的核心使命是為每一種格式——從 2003 年儲存的 .doc 到昨天匯出的 .pptx——提供一個共享的文件模型和一個 Markdown 序列化器，因此表格跳脫或標題錨點的修正能同時惠及所有格式，而非逐一重新實作。

它與 Pandoc、LibreOffice 的無頭轉換等通用轉換器，或 markitdown、unstructured、docling 等 Python 工具不同，差異有三點：它是純 Rust 實作，沒有 ML 模型或外部服務；它從檔案內容偵測格式，而非信任副檔名；而且——根據 anydoc 自行發布的、針對六種競爭工具的基準測試——它是唯一涵蓋全部十四種測試格式的工具，同時在品質上得分最高，轉換速度約比次快的工具快一個數量級。anydoc 也驅動了託管的 Firecrawl Parse API，該 API 為掃描頁面加入了 OCR，而開源函式庫刻意不嘗試此功能。

3. 功能類別

📄 格式涵蓋 — 8 種文件家族，20+ 種副檔名
轉換 .doc/.docx/.docm（Word）、.ppt/.pptx/.pptm/.pps/.ppsx/.ppsm/.pot（PowerPoint）、.xls/.xlsx/.xlsm/.xlsb（Excel）、.odt/.ods/.odp（OpenDocument），以及 .rtf、.epub、.csv 和 .pdf。目的：提供一個函式庫，取代一整排單一格式的轉換器。

🧱 文件結構保真度 — 完整保真的結構元素
帶有錨點的標題、粗體/斜體/刪除線、行內程式碼和程式碼區塊、連結和交叉引用、巢狀/編號/任務清單、含合併儲存格的表格、區塊引用、腳註/尾註，以及演講者備註。目的：保留足夠的結構，使 Markdown 輸出仍可用於下游解析，而不只是文字傾印。

🖼️ 內嵌資產 — 圖片和內嵌物件
在 Markdown 中以替代文字呈現圖片，同時在底層文件模型上保留原始位元組和媒體類型；外部圖片 URL 變成一般的 Markdown 圖片連結。目的：讓呼叫端自行選擇要保留、重新託管或丟棄二進位資產。

🔌 語言繫結 — 4 種執行目標
原生 Rust crate、Node.js 套件（透過 libuv 執行緒池非阻塞）、Python 套件（釋放 GIL），以及用於瀏覽器的 WebAssembly 建置。目的：讓相同的轉換邏輯能在後端服務、CLI、筆記本或完全用戶端執行。

🤖 代理整合 — 1 個一流的 Agent Skill
以可安裝的 Agent Skill（npx skills add firecrawl/anydoc）形式提供，相容於 Claude Code、Codex、Cursor、OpenCode 及其他支援 skill 的代理。目的：讓編碼代理在會話中遇到辦公室文件時，無需自訂膠水程式碼即可讀取。

4. 重點特色

  • 一個文件模型，一個序列化器。 每種格式都解析為相同的內部 Document 表示，並透過單一的 GFM 序列化器呈現，因此格式錯誤只需修正一次即可套用於所有格式，而非每個解析器各修一次。
  • 基於內容的格式偵測。 anydoc 直接從位元組讀取 PDF 標頭、RTF 開頭群組、OLE 串流名稱或 ZIP 套件的 mimetype，因此標籤錯誤或無副檔名的檔案仍能正確轉換（Format::from_bytes）。
  • 低於 5 毫秒的中位數轉換時間。 純 Rust，沒有 ML 模型或網路呼叫；已發布的基準測試報告中位數轉換時間為 4.4 毫秒，遠快於 LibreOffice、Pandoc 或 Python 替代方案。
  • 經獨立基準測試的品質領先者。 在針對 14 種格式、100 份真實文件的六種其他轉換器比較中，anydoc 是唯一完整涵蓋所有格式的工具，且在每個受評格式上都獲得最高品質分數（以 LLM 對照頁面渲染的真實結果進行評判）。
  • 內建 PDF 支援。 基於文字的 PDF 可透過配套的 pdf-inspector crate 在本機轉換——該路徑無需外部 OCR 服務。
  • 型別化、依變體區分的錯誤處理。 ConvertError 列舉（Unsupported、Malformed、Encrypted、ResourceLimit、MissingPart、Io）讓呼叫端程式碼能區分「跳過此檔案」的情況與真正的失敗，並在 Node/Wasm 中以 error.code 對應，在 Python 中以型別化例外對應。

5. 依角色區分的使用案例

  • 一般開發者 — 將 anydoc 放入文件擷取管線（Rust、Node.js、Python 或瀏覽器/WASM），將混合格式的上傳內容標準化為 Markdown，無需為每種格式維護單獨的解析器。
  • 資料/研究科學家（以及 AI/ML 工程師） — 使用 anydoc 將異質語料庫（報告、簡報、試算表、CSV、PDF）轉換為乾淨、結構一致的 Markdown，適合嵌入、RAG 索引或 LLM 上下文視窗。
  • 專案經理/工具團隊 — 採用 Agent Skill，讓編碼代理（Claude Code、Cursor、Codex、OpenCode）能在會話中讀取以原生辦公室格式提供的設計文件、規格或會議記錄。

6. 開始使用

找到你需要的
查看支援格式表和各繫結的 API 參考（node/README.md、python/README.md、wasm/README.md），確認你的格式和執行環境已涵蓋。

安裝/整合

# CLI（無需安裝，執行預先建置的二進位檔）
npx @firecrawl/anydoc report.docx

# Node.js
npm install @firecrawl/anydoc

# Python
pip install firecrawl-anydoc

# Rust
cargo add anydoc

# 瀏覽器 / WebAssembly
npm install @firecrawl/anydoc-wasm

貢獻

git clone https://github.com/firecrawl/anydoc.git
cd anydoc
cargo test

直接在 GitHub 儲存庫 上開啟 issue 或 pull request；專案也在 tests/ 和 fuzz/ 下維護基於 fixture 的快照測試、突變測試和 cargo-fuzz 目標，供貢獻者新增格式支援。

7. 專案結構

anydoc/
├── src/            # 核心 Rust 函式庫：格式解析器 + 文件模型 + GFM 序列化器
├── node/            # Node.js 繫結（npm 套件，TypeScript 型別）
├── python/           # Python 繫結（透過 maturin 的 PyPI wheel）
├── wasm/            # WebAssembly / 瀏覽器繫結
├── skills/          # Agent Skill 定義（convert-documents-to-markdown）
├── bench/            # 速度和品質基準測試框架
├── tests/            # Fixture 語料庫、快照和穩健性測試
├── fuzz/             # 每種格式的 cargo-fuzz 目標
├── examples/          # 使用範例
└── Cargo.toml         # Crate 清單（已發布版本的來源依據）

src/ 中每種格式各有一個解析器，全部匯入共享的 Document 模型後再進行渲染，這是儲存庫其餘部分（繫結、基準測試、測試）所圍繞的架構核心。

8. 相關生態系

  • Firecrawl — 上層平台；anydoc 的轉換邏輯驅動了託管的 Firecrawl Parse API，該 API 為掃描/純圖片頁面加入 OCR。
  • pdf-inspector — anydoc 用於本機、非 OCR PDF 文字擷取的配套 Rust crate。
  • Agent Skills — anydoc 的 Agent Skill 發布所在的生態系/規範，使其可被 Claude Code、Codex、Cursor 和 OpenCode 發現。
  • Crates.io / npm / PyPI — anydoc 以 anydoc（crate）、@firecrawl/anydoc 和 @firecrawl/anydoc-wasm（npm）以及 firecrawl-anydoc（PyPI）發布官方套件。

9. 授權

✅ 可自由使用、修改和散布，包括在商業和閉源產品中（MIT 授權）。
✅ 可自由嵌入專有管線和 SaaS 產品，無需發布你自己的原始碼。
❌ 不提供任何保證；作者不對使用所產生的損害負責。
ℹ️ 必須在軟體的副本或重要部分中保留 MIT 授權條款和版權聲明。

10. 常見問題

問：anydoc 支援哪些文件格式？
答：Word（.doc/.docx/.docm）、PowerPoint（.ppt/.pptx/.pptm/.pps/.ppsx/.ppsm/.pot）、Excel（.xls/.xlsx/.xlsm/.xlsb）、OpenDocument（.odt/.ods/.odp）、RTF、EPUB、CSV 和 PDF。

問：anydoc 是否對掃描的 PDF 或圖片執行 OCR？
答：不——anydoc 透過 pdf-inspector 在本機轉換基於文字的 PDF，但不包含 OCR。對於掃描文件，託管的 Firecrawl Parse API 在相同的轉換引擎之上加入 OCR 模型。

問：我可以在不安裝任何東西的情況下使用 anydoc 嗎？
答：可以，執行 npx @firecrawl/anydoc report.docx 即可使用預先建置的二進位檔立即轉換檔案，或試用瀏覽器示範，它完全透過 WebAssembly 在用戶端執行。

問：anydoc 如何偵測檔案格式？
答：從檔案內容而非副檔名偵測——讀取 PDF 標頭、RTF 開頭群組標記、OLE 串流名稱或 ZIP 套件的 mimetype/內容類型。CSV 沒有此類標記，因此依賴副檔名或明確的格式引數。

問：anydoc 的商業使用授權為何？
答：它採用 MIT 授權，因此可自由用於商業和專有軟體；詳見第 9 節。

11. 快速連結

12. 總結

anydoc 為團隊提供單一、快速、依賴輕量的方式，將 Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV 和 PDF 檔案轉換為乾淨、結構忠實的 Markdown——這項任務以往需要拼接多個品質不一的格式特定工具。它最適合建置文件擷取管線的開發者、準備語料庫以供嵌入或 LLM 上下文的資料/AI 團隊，以及需要即時讀取辦公室文件的編碼代理，所有這些使用者都能受惠於其廣泛的格式涵蓋、經基準測試的輸出品質和毫秒級的轉換速度。