前两天有个朋友给我递过来一堆文件，PDF合同、Word说明、Excel报表，还有几张截图，让我整理完交给AI做汇总。第一反应是直接全部丢进去，让大模型自己读，结果AI把表格读歪了，把多栏论文的顺序也搞乱了，最后只能回头重做。后来我把所有文件先统一转成Markdown，再送给AI，整个效果立刻不一样：提取准确、引用方便、回答也明显更稳。
这篇内容就是想把“把PDF、Word、Excel、图片转成Markdown再投喂AI”这件事讲透。适合给正在做文档解析、AI问答、知识库搭建，或者只是想把文件处理得更顺手的朋友参考。读完你就能自己搭一条转换流水线，知道哪些坑要绕开，也能明白为什么Markdown在这个场景下比PDF和Word更靠谱。
1. 为什么Markdown是AI最友好的输入格式
先说一个经常被忽略的事实：大语言模型处理文本时，并不像人一样“看到”一个排版精美的PDF。它在预训练阶段见过大量网页、代码、日志和Markdown格式的文档，所以对Markdown里的标题层级、列表、表格、引用这些结构非常敏感。你把PDF原文直接贴进去，它也能读，但由于PDF本身没有稳定的段落语义，模型经常要“猜”哪里是标题、哪里是表格、哪里只是页眉页脚。
1.1 Markdown把“语义结构”直接摆在明面上
PDF里的内容是排布出来的，视觉上是一页纸，但内在结构是散的；Word文档虽然带样式，但样式和内容混在一起，模型读取时容易把无关信息一并吞进去。Markdown则不同，它有非常明确的语法标记，比如#表示一级标题，|表示表格分隔，-表示列表项。大模型在推断上下文时，可以顺着这些结构快速定位关键内容，不需要额外去“复原”排版逻辑。
我印象很深的一次对比测试是：把同一份带标题层级和表格的Word文档分别以.docx原格式和Markdown格式交给AI做问答。原格式下，AI经常把表格里的数据混到正文描述里；转成Markdown后，它能准确区分“这是表头，这是数据行”，回答也就更可解释。
1.2 Token消耗更低，上下文更紧凑
这一点很多人第一反应想不到。普通PDF或Word转成纯文本后，页面上的页眉、页脚、空行、冗余标题会被一并提取出来，占用大量token却没什么信息量。Markdown在表达同样内容时，格式符号非常轻量：一个#代表标题，一个|代表单元格边界，几乎不占空间。
假设一份20页的季度报告，直接PDF解析出来的纯文本可能有1.5万个token，而整理成结构清晰的Markdown可能只需要8000到9000个token，因为页眉页脚、页码、重复的公司抬头都被删除掉了。对需要控制成本和上下文窗口的项目来说，这个差距非常关键。
1.3 Markdown与向量检索、知识库体系的契合度更高
如果你不是简单地把文档扔给AI做一次性问答，而是搭建一个知识库、做RAG或者做文档检索，Markdown几乎是首选中间格式。因为检索系统需要把文档切成多个片段，在切片时最怕的就是把表格切开或把标题和正文断开。Markdown天然有结构边界，可以依据标题和表格行来做智能切片，检索质量明显胜过“一刀切”的纯字符切片。
所以我的建议是：不管最终交给AI的是PDF、Word还是图片，先规划好“统一转Markdown”这一步。它不是额外工作，而是在给后面所有处理环节铺路。
2. PDF转换：文本版、扫描版与复杂版式的分层处理
PDF大概是所有格式里最“表里不一”的。表面上它已经排好版了，实际内部可能是纯文本、图片扫描、甚至混合了多种字体编码。所以不能指望一个工具通吃所有PDF，需要先判断PDF属于哪种类型，再选择对应的处理方式。
2.1 文本版PDF：先提取文本，再做结构整理
如果是直接用文档软件生成的PDF，页面里是有文本层的。这种PDF可以用PDF解析库直接把文字内容拿出来，再通过标题字体大小、位置关系等信息还原成Markdown结构。
我之前常用的一条路线是用PyMuPDF之类的库先把内容读成带坐标的文本块，然后根据两个特征判断标题：一是字体尺寸比正文大，二是前后有明显的空白间隔。判断出来之后，在文本块前面补上相应层级的#，并把表格区域提取出来转成Markdown表格。
在实操中，这个方案对单栏排版的报告、合同效果很好；但遇到双栏论文、页眉页脚复杂的场景，就需要额外处理。页眉页脚一般出现在固定坐标范围内，可以按坐标过滤掉。双栏PDF则要考虑先按列拆分，再按阅读顺序拼接，不然AI读到的内容顺序是乱的。
2.2 扫描版PDF：先用OCR生成文本层
扫描件本质上是一堆图片，没有文本层，直接解析什么都拿不到。此时必须先做OCR。我在处理扫描合同、老照片、扫描件书籍时，一般会用支持中英文的OCR引擎，把每一页图片识别成带位置信息的文字，再重新组装成Markdown。
这里要特别提醒：OCR识别出的文本顺序不一定可靠，尤其是双栏或带有复杂表格的页面。遇到表格时，OCR经常把同一行的单元格识别成上下两行，导致Markdown表格错位。所以扫描版PDF转Markdown后，一定要用表格宽度人工抽查一下，或者把关键表格单独导出成CSV再拼回文档。
2.3 带公式和特殊符号的PDF
如果PDF里有大量数学公式，直接转Markdown会出现两种情况：公式变成碎片文字，或者符号乱码。稳妥的办法是先将公式用LaTeX表示法提取出来，再嵌入Markdown的公式区块中。现在不少开源文档解析工具已经做了这一步，能把整页版面包括表格和公式一起转换成Markdown。我自己遇到数理论文时，会先用专用解析工具跑一遍，再人工修正公式块。
整个过程的目标不是100%还原原版式，而是让AI能够正确理解文档的阅读顺序和层级关系。Markdown不需要做到像素级还原，它追求的是“语义无损”：标题、列表、表格、公式这些信息不丢，顺序不乱。
3. Word转Markdown：借助docx结构而不是“另存为”
很多人会问，Word转Markdown不就是在软件里“另存为”一下吗？这个想法我最初也有过。试过以后才发现，另存为出来的Markdown经常带一堆冗余换行，标题和列表的转换也不稳定。原因很简单：Word另存为的Markdown侧重于“导出”，而不是“语义保留”。我们真正要做的是借助Word本身的结构化属性来转换。
3.1 Word文档的本质是带样式的XML
一个现代Word文档（.docx）本质上是个压缩包，里面包含多个XML文件，其中word/document.xml保存了正文内容，样式、图片、表格分别在不同位置。既然内容是结构化的，就可以用工具读取段落样式、标题级别和表格属性，再输出成Markdown。
这里我最常用的工具是Pandoc，一条命令就能把常见的.docx文档转成不错的Markdown：
pandoc report.docx -o report.md但要加几个参数，效果会更好：
pandoc report.docx -o report.md --wrap=none --markdown-headings=atx--wrap=none表示不要自动换行，避免Markdown里出现大量硬换行；--markdown-headings=atx表示生成##这种井号格式的标题，而不是另一种下划线式标题。
3.2 Pandoc解决不了的情况：样式混乱和文内表格
Pandoc虽然强大，但遇到样式不规范的文档也会翻车。比如某人用标题样式写了正文，整个文档全是大标题；又比如用空格做缩进，用多个Tab做表格，这类不符合Word规范的结构会让Pandoc无从下手。
这种情况下我会退一步，用Python的python-docx逐段读取文档，自己判断段落属于标题、正文还是列表。核心逻辑其实不复杂：
from docx import Document doc = Document("report.docx") for para in doc.paragraphs: style_name = para.style.name.lower() text = para.text.strip() if not text: continue if "heading" in style_name: level = ''.join(ch for ch in style_name if ch.isdigit()) or "1" print("#" * int(level) + " " + text) elif "list" in style_name: print("- " + text) else: print(text)这种方式能做到“自定义归档”，比如把某类特殊样式的段落统一转成引用块或列表，比通用转换工具更可控。适合公司内部模板不统一、历史文档很多的情况。
3.3 Word里的图片和表格
Word里的图片默认是嵌入文档内部的，转换成Markdown时不能要求Markdown直接保存图片，而是要把图片文件提取出来，放到独立目录中，再在Markdown里用相对路径引用。Pandoc转Markdown时可以用--extract-media=media_folder参数提取图片：
pandoc report.docx -o report.md --extract-media=mediaWord里的表格转换相对顺利，因为docx表格本身就带有行列结构，转成Markdown表格后，AI能够很好地识别表头和单元格。唯一要注意的是合并单元格，Markdown不支持跨行合并，遇到这种表格建议拆分成多个简单表格，或者在单元格内容里加入“合并自上一行”这样的说明，避免信息丢失。
4. Excel表格转换：把合并单元格和多Sheet整理成干净Markdown表格
Excel是另一个容易让AI“翻车”的格式。直接把.xlsx文件丢给AI，很多模型并不能直接读取二进制内容；即使可以读取，也会因为多个Sheet、公式、合并单元格而出现理解偏差。更稳妥的做法是先把每个Sheet转换成文本或Markdown表格，再提供给AI。
4.1 用pandas把Excel转成Markdown表格
我在处理Excel报表时，最常用的途径是用pandas读取Excel，再用tabulate库把DataFrame输出为Markdown格式。一条命令就能完成：
import pandas as pd df = pd.read_excel("sales.xlsx", sheet_name="2024Q1") print(df.to_markdown(index=False))这样输出的表格结构非常清晰：
| 月份 | 销售额 | 成本 | 利润 |
|---|---|---|---|
| 1月 | 12000 | 8000 | 4000 |
| 2月 | 15000 | 9000 | 6000 |
听起来很简单，但有几个细节必须处理，否则AI还是容易读错。
4.2 把多Sheet转换成单个Markdown文档时需要“分节”
一个Excel文件里可能有多个Sheet，转Markdown时如果不加分隔说明，AI会分不清哪些数据属于哪个Sheet。我习惯在每个Sheet的表格上方加一个二级标题，比如## Sheet: 各城市门店销售，下面再放表格。这样AI不仅能读出数据，还能理解数据之间的归属关系。
另外要注意：如果Sheet名没有业务含义，比如默认的“Sheet1”“Sheet2”，转出来的内容会让AI有点懵。最好在转换前把Sheet重命名为有意义的名称，或者在标题里补充说明。
4.3 合并单元格、公式和多行表头怎么处理
合并单元格是Excel里最烦人的问题之一。pandas读取合并单元格时，只会把值放在左上角单元格，其他合并区域变成空值。转成Markdown后，会出现大量空白单元格，AI看到后会以为这些地方没有数据。
处理办法是先用ffill()把合并区域的空值填充一下：
df = df.fillna(method="ffill")如果表头本身是多行，有合并单元格的情况，建议只保留最上面一层作为表格表头，其他描述性内容放到表格注释里。这样Markdown表格会变得干净，AI理解起来也更快。
公式也需要留意：pandas.read_excel默认读取的是Excel中已经计算好的缓存值。如果原文件里的公式没被Excel重新计算过，读出来的可能是None。遇到这种情况，要么用支持重算的库强制计算，要么让提供Excel的人先打开保存一遍。千万别拿到一个带公式的Excel就直接转，结果AI读到的是一堆空值，那样整个分析都会失真。
4.4 大表格怎么办
如果Excel里有一万多行数据，直接转成一个巨大的Markdown表格，会让上下文窗口爆掉，而且AI也没法有效关注所有行。我一般会先做聚合或筛选：保留必要列，压缩行数；如果一定要全量数据，就拆成多个Markdown文件，每个文件放一个Sheet或者一段日期范围，并给每个分片加文件名和说明。这样投喂和检索都会好很多。
5. 图片与扫描件统一进Markdown：OCR加多模态描述
图片的情况略微特殊。图片本身不是文本，更不是Markdown，所以需要两条路：如果图片里主要是文字，做OCR识别，把文字放进Markdown；如果图片是图表、流程图或有视觉含义的截图，仅做OCR还不够，最好用多模态模型一次性生成结构化描述，再把描述嵌入Markdown。
5.1 文字截图：先用OCR识别成文本
前阵子朋友发来几张PPT截图，里面全是带项目符号的要点。直接用AI读图也能读，但遇到分辨率低或者字体密集的情况，AI容易编造内容。我先用OCR引擎把截图里的文字提取出来，整理成Markdown列表，再交给AI，准确率明显提高。
命令行看就是这样：
tesseract screenshot.png output -l chi_sim+eng --psm 6--psm 6表示把图片当成一个统一的文本块来识别，适合PPT和截图；如果是带表格的图片，则可以把--psm换成6或11，并对识别结果做后处理。OCR识别完成后，生成的是普通文本，需要自己再补上标题层级和列表符号。好在截图内容通常结构比较简单，整理起来不费事。
5.2 流程图和架构图：OCR反而会帮倒忙
流程图里的箭头、分支和层级关系，OCR识别不准确。比如一个框子里写着“数据采集”，箭头指向另一个框子“清洗”，OCR可能把两个词拼成一行，完全丢掉流向信息。
这种场景我建议直接用多模态模型识别整张图片，并用固定模板输出描述，再把描述转成Markdown列表或引用块。比如让模型按“起点 -> 分支条件 -> 结果”的格式输出，然后翻译成Markdown嵌套列表：
- 数据采集
- 按来源区分
- 用户日志
- 业务数据库
- 清洗后进入数据仓库
- 按来源区分
这样AI在后续处理时不仅能理解图片内容，还能保留其中的逻辑分层。
5.3 扫描件结合OCRmyPDF做预处理
如果是大量扫描PDF，先不管它是几页，我会先用OCR工具给整个PDF生成文本层，再用第二章提到的方法，把文本层提取成Markdown。这样能在“保留原始版式”和“让AI可读”之间取得平衡。
注意：无论用哪个OCR引擎，识别结果都需要人工抽查。尤其是中文识别率虽然已经很高了，但数字、单位、英文混排时还是会出错。投喂到AI之前，最好对金额、日期、类似“0”和“O”这种容易混淆的字符做一次重点检查。
6. 转换后的“投喂”工程：清理、切片和提示词设计
文件都转成Markdown之后，还不算完。直接扔给AI往往会有一些残留问题，需要在投喂前做最后一道处理，我把这一步叫“投喂工程”。
6.1 清理工具留下的痕迹
转换工具总会在Markdown里留下一些无用痕迹。比如PDF转换时多出的空行、不连续的分隔线；Excel转Markdown时表头下方多余的居中对齐标记；OCR识别时插入的空格或乱码符号。我会写一个简单的后处理脚本，把这些噪音批量清掉：
import re def clean_md(text): text = re.sub(r"\n{3,}", "\n\n", text) text = re.sub(r"\|:?-+\|", "| --- |", text) text = re.sub(r"[ \t]+\n", "\n", text) return text.strip()这一步虽然不解决所有问题，但能让投喂给AI的内容干净很多，尤其是当后续要按块切分时，多余空行会影响切片结果。
6.2 长文档怎么切片更合适
如果Markdown文档太长，需要切成多个片段再投喂。和纯文本切片不同，Markdown切片时最好优先考虑标题边界。比如遇到##级别标题就开启新块，这样每个切片都保持独立语义。表格尽量整块保留，不要在一个表格中间切断，否则AI会丢失表头对照关系。
切片之后，每个块的开头最好天然带上标题路径，比如> 来源：报告.md > 第二章 > 市场分析。这个小技巧在RAG检索时非常管用，命中哪一段都能自动定位上下文。
6.3 提示词里要说明“你现在读到的是一份Markdown”
这个细节看起来有点多余，但实际效果很明显。你可以在提示词里加一句：
以下内容是从原始文档转换来的Markdown格式，请按照标题和表格结构读取信息。如果发现表格数据不完整，请明确指出而不是猜测。
为什么这句有用？因为模型看到#和|确实会按照Markdown去解析，但如果你明确提示它“这是转换后的文档”，它会更谨慎地对待可能存在的格式错误，遇到空单元格时会如实反馈，而不是强行编造数据。
6.4 我会用半自动脚本串起整条流水线
目前我处理混合文档的流程是这样：先把PDF和Word用Pandoc/解析库批量转成Markdown，Excel单独用pandas转成Markdown表格，图片和扫描件先OCR再手动补结构，最后合并成一个带索引的Markdown文件夹。整个过程里，真正动手写代码的时间很少，大部分时间花在检查表格和边界情况上。
遇到处理一堆格式混杂的旧文档时，我不追求100%自动，而是先处理最容易出效果的高质量文本部分，再把扫描件和复杂表格留出一定人工校验时间。这样既能保证AI读到的内容基本准确，又不会让人陷入永无止境的“格式修正”中。
结语
做了这么多年文档处理和AI应用的杂活，我自己最大的体会就是：给AI喂什么，AI就会还你什么。PDF、Word、Excel、图片这些格式，都是给人看的；Markdown才是给AI“读起来最顺”的中间语言。每次我跳过转换、直接把原始文件丢给模型，十次里总有几次会出幺蛾子；先把格式统一成Markdown，虽然前面多花了一点时间，但后面省掉的问题远超这些成本。
最后分享一个实用小技巧：把所有转换脚本整理成一个批处理命令，以后拿到新文件直接跑一遍，30秒内就能生成对应的Markdown目录。配合一个简单的全局搜索工具，找数据、喂AI、做知识库都变得非常方便。如果你也在处理大量文档，强烈建议把“文档转Markdown”这一环固定下来，它会成为整个AI工作流里最值得的投资之一。
