anydoc：Firecrawl开源的Rust文档转Markdown引擎，单文档4.4毫秒

给大模型准备语料最麻烦的一环，是把散落在各种格式里的文档统一成模型能稳定读取的Markdown。Word、PPT、Excel、PDF各有各的内部结构，传统做法是LibreOffice转一遍、再拿Pandoc修一遍，输出风格还不统一。

Firecrawl在2026年8月开源的anydoc，就是冲着这个问题来的：纯Rust实现，覆盖14种办公文档格式，统一输出GitHub-Flavored Markdown，中位转换时间4.4毫秒。它同时也是Firecrawl Parse托管API的底层引擎。

为什么是anydoc

anydoc的核心架构选择很关键：不管什么格式进来，都先解析到同一个共享文档模型，再通过单一Markdown序列化器输出。这意味着给docx修好的表格转义，rtf、odt会自动跟着生效；标题锚点、合并单元格、脚注、列表编号在所有格式下行为一致。

与之相对的是市面上的其他方案：

• LibreOffice：需要启动庞大的办公套件，单文档中位耗时1129.5毫秒

• Pandoc：只覆盖5/14种格式，中位耗时102.1毫秒

• markitdown：6/14种格式，134.8毫秒

• docling：4/14种格式，513.6毫秒

• mammoth：只支持docx一种，52.5毫秒

anydoc官方在100份真实文档上做的盲评基准（由Claude Sonnet 5对照LibreOffice渲染图打分，0-100分）结果是这样：

anydoc是唯一覆盖全部14种格式的工具，在每一个有对比的格式上都拿了最高分，速度比第二名的Pandoc快了一个数量级。

💡 基准语料是Firecrawl自有的，不在仓库里。第三方博主拿自己的206份真实文档复测，194份成功转换，csv/xlsx轻松跑进5毫秒以内，复杂pptx/pdf大约在22毫秒左右——依然远快于传统方案。

支持格式

anydoc处理的14种格式包括：

• Word：.doc、.docx、.docm

• PowerPoint：.ppt、.pps、.pot、.pptx、.pptm、.ppsx、.ppsm

• Excel：.xls、.xlsx、.xlsm、.xlsb

• OpenDocument：.odt、.ods、.odp

• 其他：RTF、EPUB、CSV、PDF（仅文本型）

格式识别是从文件字节本身读的——PDF头、RTF开组、OLE流名、ZIP包的mimetype，所以扩展名改错了也能正确转换。CSV没有签名，需要显式指定格式或从扩展名推断。

30秒上手

最快的试用方式是不安装、直接用npx：

# 转换并输出到终端
npx @firecrawl/anydoc report.docx

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

# 从stdin读取（CSV需指定格式）
npx @firecrawl/anydoc - --format csv < data.csv

首次运行会自动下载对应平台的预编译二进制。要常驻使用就全局安装：

npm install -g @firecrawl/anydoc

各语言集成

anydoc提供Rust、Node.js、Python、WebAssembly四种绑定，API形态在各语言间保持一致。

Node.js

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

const markdown = await toMarkdown('report.docx');
const fromBytes = await toMarkdownBytes(bytes);
const fromCsv = await toMarkdownBytes(bytes, 'csv');

Python

import anydoc

markdown = anydoc.to_markdown("report.docx")
markdown = anydoc.to_markdown_bytes(data)
markdown = anydoc.to_markdown_bytes(data, "csv")
document = anydoc.to_document(data)

Rust

let markdown = anydoc::to_markdown("report.docx")?;
let markdown = anydoc::to_markdown_bytes(&bytes, None)?;
let markdown = anydoc::to_markdown_bytes(&bytes, anydoc::Format::Csv)?;

浏览器（WebAssembly）

import init, { toMarkdownBytes } from '@firecrawl/anydoc-wasm';
await init();
const markdown = toMarkdownBytes(bytes);

浏览器端转换完全在本地进行，文件不会上传，官方Demo页就是这么跑的。

给AI Agent用

anydoc内置了Agent Skill，一行命令让Claude Code、Codex、Cursor、OpenCode等兼容Agent原生具备读文档能力：

npx skills add firecrawl/anydoc

装完之后，Agent遇到任意格式的文档都会自动调用anydoc CLI转换，你只需要说"帮我分析这份报告"就行。

生产环境要注意的点

扫描件PDF不在anydoc的处理范围内。文本型PDF通过内置的pdf-inspector在本地转换；扫描件或纯图片PDF会返回Unsupported错误，需要走Firecrawl Parse托管的OCR能力。

错误处理建议区分类型：

try:
    return anydoc.to_markdown(path)
except (anydoc.EncryptedError, anydoc.UnsupportedError) as e:
    # 加密或不支持，记录并跳过
    return None
except anydoc.ConvertError as e:
    # 其他转换错误
    raise

批量处理时把加密、不支持、损坏的文件单独记录，继续处理其余文件即可。

适用场景

anydoc最适合这三类需求：

1. LLM数据准备/RAG管道——把混合格式的文档批量转成统一Markdown喂给模型

2. Agent文档读取——作为Skill嵌入AI编程助手，让Agent原生支持多格式文档

3. 本地批量转换——纯Rust、无ML模型、无外部服务依赖，断网也能跑

如果你不想自己运维，Firecrawl的/parse和/scrape端点已经默认在背后调用anydoc（非PDF文档走anydoc，PDF走pdf-inspector），托管版额外提供扫描件OCR。