anydoc

anydoc 是由 Firecrawl 开发的开源 Rust 库，专为将办公文档（Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV、PDF）转换为干净的 GitHub-Flavored Markdown 而设计。其核心优势在于个位数毫秒级转换速度、统一输出结构及零外部依赖。提供 Node.js、Python、浏览器 WebAssembly 及原生 Rust 四种绑定，所有接口共享同一文档模型与序列化器，确保跨格式行为一致。内置基于内容的格式检测，无需依赖文件扩展名；嵌入资产保留原始字节并标记媒体类型；Node.js/Python 绑定均不阻塞主线程/GIL。可作为 Agent Skill 一键集成至 Claude Code、Codex 等智能体环境，或通过托管 API（Firecrawl Parse）获得 OCR 增强能力。

核心架构：统一文档模型与性能保障

anydoc 的设计哲学是“解析归一化，渲染标准化”，避免为每种格式维护独立输出逻辑：

• 共享文档模型：所有输入格式先解析为中间文档对象树（含标题锚点、列表嵌套、表格合并单元格、脚注、演讲者备注等完整结构），再经单一 Markdown 序列化器生成输出。这保证了 .doc 与 .pptx 的表格转义、链接处理、代码块渲染等行为完全一致
• 内容驱动格式识别：通过文件头魔数（PDF %PDF-、RTF {\rtf、OLE 流名、ZIP mimetype）自动判定格式，标签错误的文件仍可正确转换。CSV 等无签名格式需显式指定
• 纯 Rust 高性能：无 ML 模型、无网络调用、无系统依赖。中位转换时间 <5ms，适合批量处理与实时流水线
• 非阻塞绑定：Node.js 在 libuv 线程池执行，Python 释放 GIL，确保高并发场景下主线程/事件循环不受影响。TypeScript 类型定义与 Python stub 文件随包分发
• 嵌入资产保全：图片/对象在 Markdown 中以 alt 文本呈现，原始字节仍可通过文档模型访问并带 MIME 类型标记；外部 URL 图片转为标准 Markdown 图像语法

这种架构使 anydoc 成为 RAG 管道、知识库构建、文档迁移等场景的理想预处理层——下游 LLM 接收的是结构稳定、语义完整的 Markdown，而非格式碎片。

多语言接入与Agent集成实践

CLI 快速验证

npx @firecrawl/anydoc report.docx               # stdout 输出
npx @firecrawl/anydoc slides.pptx -o out.md     # 写入文件
npx @firecrawl/anydoc - --format csv < data.csv # stdin 输入

首次运行自动下载预编译二进制；全局安装用 npm install -g @firecrawl/anydoc。

编程接口要点

Agent Skill 集成

npx skills add firecrawl/anydoc

执行后，Claude Code/Codex/Cursor/OpenCode 等兼容代理即获得文档读取能力。Skill 封装了 CLI 调用逻辑，代理可直接理解“请分析这份合同”等自然语言指令并自动触发转换。

高级用法：文档模型访问
当需要提取嵌入图片或结构化元数据时，使用 toDocument() 获取完整文档对象，而非直接转 Markdown。该对象包含所有资产字节、媒体类型及语义节点，便于自定义后处理。

功能边界与选型考量

尽管 anydoc 覆盖主流办公格式，仍需注意以下限制：

• PDF 仅限文本层：基于 pdf-inspector 提取文字，扫描件/图片PDF 无法识别。需 OCR 时请使用 Firecrawl Parse 托管 API
• 复杂排版简化：GFM Markdown 本身不支持多栏、文本框、艺术字等高级布局，转换时会降级为线性文本或注释说明
• 宏与脚本剥离：.docm/.xlsm 等启用宏的文件仅提取内容，VBA 代码被忽略以防止安全风险
• 大文件内存占用：虽然转换快，但超大 PPTX/XLSX 可能消耗较多 RAM；建议流式处理或分片
• WASM 体积：浏览器端 WASM 模块约 2–3 MB，首屏加载需考虑懒加载策略
• CSV 方言：默认逗号分隔+双引号转义，非标格式（如制表符、单引号）需预处理

何时选择 anydoc vs 替代方案

• ✅ 选 anydoc：需要本地、快速、一致的文档→Markdown 转换；构建 LLM 数据管道；集成到代理工作流
• ❌ 不选 anydoc：需处理扫描PDF；要求保留原始排版样式；依赖 Word/PPT 特有功能（如批注修订追踪）

对于大多数 AI 应用场景，anydoc 提供了当前最优的“文档理解前置层”——它不做智能解读，只做精准转译，把复杂性留给下游模型，把确定性留给工程系统。这种克制恰恰是其价值所在。