4.4 毫秒转一份文档，我把 LibreOffice 卸载了

做过 RAG 或 Agent 开发的人，应该都懂那种崩溃瞬间——不是模型不给力，是文档不给面子。

我上周就经历了一次。同事传了个文件，后缀名写着 .docx，我的解析程序读进去直接乱码崩溃。查了半天才发现，它根本不是 Word 文档，是个 PDF 换了层皮。

这种破事我遇到太多次了：LibreOffice 转一个文档要一秒多，批量 100 个文件得干等两分钟；Python 脚本遇到复杂表格，合并单元格直接丢；2003 年的老 .doc 一上来就罢工。

直到我在 GitHub 刷到 Firecrawl 开源的新项目 anydoc——上线 5 天，1.1 万 star。

一句话：把办公文档变成干净的 Markdown

anydoc 是一个纯 Rust 写的文档解析库，Word、PPT、Excel、PDF、RTF、EPUB、CSV，14 种格式全覆盖，输出 LLM-ready 的 GitHub 风格 Markdown。

它快得有点不讲道理：单文件转换中位数 4.4 毫秒，比 LibreOffice 快 256 倍；官方说 500 个 docx 只要 1.7 秒。我原来批量转 100 个文档要等两分钟，现在不到半秒。

而且不需要装任何环境。Node 和 Python 用户各一条命令：

npx @firecrawl/anydoc report.docx

pip install firecrawl-anydoc

Rust 用户 cargo add，浏览器里也有 WASM 版。四个语言的 API 完全一致：to_markdown、to_markdown_bytes、to_document。

它凭什么这么快

三个设计，层层拆解：

第一，所有格式共用一个文档模型。 每种格式有各自的解析器——Word 的、PPT 的、Excel 的——但拆完之后全部映射到同一个内部结构体：标题、段落、表格、列表、脚注、嵌入资源。最后只用一个 Markdown 序列化器输出。维护成本集中在模型和序列化层，不用给每种格式单独写输出逻辑。

第二，格式检测不看后缀名，只看字节签名。 这是最戳我的一点。PDF 头、RTF 开头标记、OLE 流名、ZIP 包的 mimetype——它是按文件原始字节来认格式的，根本不鸟扩展名。只有 CSV 没有签名，才需要靠扩展名兜底。

打个比方：后缀名是衣服，可以随便换；字节签名是身份证，换不了。用户上传的文件后缀名十有八九是乱的，anydoc 在乎的是身份证。我上周那种"假 .docx 真 PDF"的崩溃，它天然免疫。

第三，绑定层不阻塞主线程。 Node 端用 NAPI-RS，转换跑在 libuv 线程池，不影响事件循环；Python 端用 PyO3，转换时会释放 GIL，其他线程照常跑。TypeScript 类型和 Python stub 直接打包进包里，开发体验相当顺。

盲评 482 次，14 种格式全部第一

官方拉了 100 份真实文档、14 种格式，做了 482 次盲评，让 Claude 打分。对手是 LibreOffice、pandoc、unstructured、markitdown、docling、mammoth 这一票主流工具。

结果是 anydoc 唯一一个 14 种格式全在、且每种格式评分都最高的。考虑到对比对象里有 Docling（IBM 出品）和 MarkItDown（微软出品），这个成绩不算虚。

它没有用任何机器学习模型，没有 GPU，不调外部 API——4.4 毫秒还是只用 Ryzen 9 的 CPU 跑出来的。

但这些坑，你得先知道

首先，纯图片的 PDF 转不了——没有 OCR。文本型 PDF 走本地解析没问题，扫描件得用 Firecrawl 的云解析接口。加密文档直接报 Encrypted 错误。

其次，别被 benchmark 冲昏头。X 上有人当场质疑官方数据："500 个 docx 用 1.7 秒，是什么硬件、什么文档？真实世界的 PDF 有内嵌图片、奇怪的编码、损坏的 XML——benchmark 永远很干净，生产环境是另一回事。"这话糙理不糙，4.4 毫秒是理想值，复杂文档会慢不少，但量级碾压 LibreOffice 没悬念。

最后说句实在话：这不是纯公益。Firecrawl 做网页抓取已经攒了 14.9 万 star，这次开源 anydoc 是因为它本来就是自家 Parse 商业产品的内核，造出来顺便开源——既给社区发福利，也给自己打广告。但这不影响它本身好用。

竞品怎么选

• MarkItDown（微软）：简单文档够用，表格复杂一点就开始拉胯；
• Docling（IBM）：质量不错，但依赖 ML 模型，环境重；
• Unstructured：复杂布局最稳，同样是个重量级选手；
• anydoc：快、轻、本地、无依赖，专为 RAG 和 Agent 场景而生。

如果你只是偶尔转个文件，MarkItDown 够用；如果文档场景复杂且能接受环境成本，Docling/Unstructured 有它的位置；但如果你要批量喂文档给 RAG，或者想把"读文档"能力直接装进 Agent——npx skills add firecrawl/anydoc 一行命令，Claude Code 和 Codex 就都能读文档了。

最打动我的还是省心。一个二进制、一条命令，不用 LibreOffice、不用 Python 环境、不用 GPU。

相关链接：

• anydoc GitHub：https://github.com/firecrawl/anydoc
• Firecrawl 官网：https://firecrawl.dev
• 竞品 Docling：https://github.com/docling-project/docling
• 竞品 MarkItDown：https://github.com/microsoft/markitdown
• 竞品 Unstructured：https://github.com/Unstructured-IO/unstructured