Skip to content
ReviewRamble

Auf Englisch lesenEspañolFrançais

MarkItDown

Der schlanke Python-Konverter von Microsoft macht aus Office-Dateien, PDFs, HTML und mehr Markdown für LLMs.

Getestet von Sheela · Aktualisiert

Auf GitHub ansehen Open Source

Unsere Bewertung

3.8/5

MarkItDown bringt Office-Dateien schneller in ein Modell als jedes andere Open-Source-Werkzeug und plättet genau die PDFs, die für Retrieval intakt bleiben müssten.

Was ist MarkItDown?

MarkItDown wandelt Dateien in Markdown um, damit Sprachmodelle und Text-Pipelines sie lesen können. Es verarbeitet PDF, Word, PowerPoint, Excel, HTML, CSV, JSON, XML, EPUB, ZIP-Archive, Bilder (Metadaten und OCR), Audio (Transkription) und YouTube-URLs und erhält dabei nach Möglichkeit Überschriften, Listen, Tabellen und Links.

Es ist eine Python-Bibliothek und ein Kommandozeilenwerkzeug mit optionalen Extras pro Format, einem Plugin-System (darunter ein OCR-Plugin, das ein Vision-Modell aufruft) und optionaler Übergabe an Azure Document Intelligence oder Azure Content Understanding für schwierigere Dateien. Ein separates Paket stellt es als MCP-Server bereit.

Laut Microsoft ist die Ausgabe für Textanalyse-Werkzeuge gedacht, nicht als originalgetreue Konvertierung für menschliche Leser.

Lohnt sich MarkItDown?

MarkItDown ist der schnellste Weg, Word-, PowerPoint- und Excel-Dateien in Markdown zu verwandeln, das ein Modell lesen kann, und eine schlechte Wahl für PDFs, deren Bedeutung in Tabellen oder Scans steckt. Das Projekt hat etwa 191.700 Sterne, und Microsoft veröffentlichte v0.1.9 am 21. Oktober 2026, einen Monat nach v0.1.8. Beides sind Wartungsversionen: v0.1.9 vergrößerte den HTTP-Lesepuffer von 512 Byte auf 64 KB, fügte eine Spracheinstellung für die Audiotranskription hinzu und baute die Tests um echte Fixtures herum neu auf.

Bei PDFs bleibt es hinter layoutbewussten Konvertern zurück. Ein Vergleich auf danilchenko.dev, erstmals im Mai 2026 veröffentlicht und im August aktualisiert, stellte fest, dass MarkItDown PDF-Tabellen in Fließtext verwandelte, mehrspaltige Seiten durcheinanderbrachte und aus einem gescannten Dokument fast nichts herausholte, weil es standardmäßig kein OCR macht. Derselbe Test maß 0,6 Sekunden für ein Dokument mit 14 Seiten bei einer Installation von etwa 80MB, gegenüber rund 2,4GB für Docling.

Die Abhilfe kostet Geld. Das Plugin markitdown-ocr schickt eingebettete Bilder an ein Vision-Modell deiner Wahl, etwa GPT-4o, sodass OCR pro Aufruf von diesem Anbieter abgerechnet wird. Der Weg über Azure wird pro Seite berechnet: Das Read-Modell von Document Intelligence kostet laut Preisliste 1,50 $ pro 1.000 Seiten, die vorgefertigten Modelle einschließlich Layout 10 $ pro 1.000, die Standard-Dokumentextraktion von Content Understanding 5 $ pro 1.000. Zu diesen Preisen kosten 100.000 gescannte Seiten im Monat über Layout etwa 1.000 $.

Beim Thema Sicherheit ist das README offen. MarkItDown liest Dateien und URLs mit den Rechten des Prozesses, der es ausführt. Ein Dienst, der nicht vertrauenswürdige Eingaben annimmt, sollte deshalb die engste Konvertierungsfunktion aufrufen, etwa convert_stream, und Pfade bereinigen. Plugins sind standardmäßig aus, und das ist bei einer Bibliothek, die Code von Dritten ausführt, die richtige Entscheidung.

Auch beim Umfang hat Microsoft eine Grenze gezogen: Der Contribution Guide schließt Webserver, REST-APIs und gehostete Konvertierungsdienste im Repository aus, mit Ausnahme des Pakets markitdown-mcp. Wer einen Konvertierungsdienst will, baut und sichert ihn selbst. Das ist ein anderes Angebot als Docling oder Unstructured.

Wo es sich lohnt

  • Ein RAG-Engineer, der 20.000 interne Word- und PowerPoint-Dateien indexiert

    Ein Office-Archiv in Markdown-Chunks für einen Vector Store umwandeln

    pip install 'markitdown[docx,pptx,xlsx]' und die Konvertierung als Batch-Job auf einer gewöhnlichen CPU-Instanz laufen lassen. Überschriften, Listen und Tabellen überstehen Office-Formate gut, und es fallen keine Seitengebühren an.

  • Ein Operations-Team bei einem Versicherer, das gescannte Schadenformulare verarbeitet

    Text und Tabellen aus gescannten PDFs extrahieren

    Die eingebaute Konvertierung holt aus Scans fast nichts heraus, also leite sie mit dem Extra az-doc-intel an Azure Document Intelligence weiter. Layout kostet 10 $ pro 1.000 Seiten, bei 100.000 Seiten etwa 1.000 $ im Monat, und die Dateien verlassen dein Netzwerk Richtung Azure.

  • Ein Entwickler, der einem internen Chat-Assistenten Datei-Uploads hinzufügt

    Nutzerdokumente annehmen, ohne eine Lücke für Dateizugriff oder SSRF zu öffnen

    Rufe wie im README empfohlen convert_stream auf die hochgeladenen Bytes auf statt convert auf einen vom Nutzer gelieferten Pfad oder eine URL, und lass Plugins deaktiviert. Kostenlos, aber die Sicherheitsgrenze musst du selbst bauen.

Bevor du dich festlegst

Einrichtung
pip install 'markitdown[all]' (Python 3.10 bis 3.14) oder einzelne Extras pro Format; über die CLI markitdown file.pdf > out.md, in Python MarkItDown().convert(). Ein Dockerfile zum lokalen Bauen und Ausführen liegt bei.
Integrationen
Python-API und CLI; Paket markitdown-mcp für MCP-Clients; Plugins von Dritten (standardmäßig deaktiviert); markitdown-ocr mit jedem OpenAI-kompatiblen Client; Backends für Azure Document Intelligence und Azure Content Understanding.
Daten und Datenschutz
Standardmäßig lokal, ohne im README erwähnte Telemetrie; auch die GitHub-Codesuche findet keine, und das Docker-Image setzt ORT_DISABLE_TELEMETRY=1. Dateien gehen nur an OpenAI oder einen anderen Anbieter, wenn du das OCR-Plugin oder Bildbeschreibungen aktivierst, und an Azure, wenn du diese Backends nutzt. Es liest jeden Pfad und jede URL, die der Prozess erreichen kann. MIT; keine veröffentlichten Security Advisories.
Kosten im großen Maßstab
Kostenlos auf der CPU für Office und digital erzeugte PDFs. Azure Document Intelligence Read kostet 1,50 $ und Layout 10 $ pro 1.000 Seiten, die Standardextraktion von Content Understanding 5 $ pro 1.000; OCR über ein Vision-Modell rechnet dein Anbieter pro Aufruf ab.
Grenzen
Ab Werk kein OCR und keine Tabellenstruktur für PDFs; etwa 740 offene Issues und Pull Requests; Versionsnummern vor 1.0; Server und gehostete Dienste liegen außerhalb des Projektumfangs.

Was gut ist

  • Breite Formatabdeckung in einer Bibliothek
  • Schnell, mit kleiner Installation und Extras pro Format
  • Plugins standardmäßig aus; optionale Azure-Backends
  • MIT-Lizenz und Pflege durch Microsoft

Was nicht

  • Plättet PDF-Tabellen und mehrspaltige Layouts
  • OCR braucht ein kostenpflichtiges Vision-Modell oder Azure
  • Liest jede Datei und URL, die der Prozess erreichen kann
  • Kein gehosteter Modus oder Servermodus vorgesehen

Am besten für

Entwickler, die Office-Dokumente und saubere digitale PDFs schnell und günstig an ein Modell übergeben müssen.

Alternativen zu MarkItDown

Docling

RAG & dataPython69k stars

4.5/5

IBM-born toolkit that converts PDFs, Office files, HTML and images into clean Markdown or JSON for RAG, with strong table handling.

Unstructured

RAG & dataPython16k stars

3.8/5

Python library that partitions many document types into typed elements (titles, text, tables) for RAG and ETL pipelines.

Marker

RAG & dataPython41k stars

4.3/5

Datalab's PDF-to-Markdown converter that reads the text layer first and calls its OCR model only where a page needs it.

pdf-inspector

RAG & dataRust20k stars

4.2/5

Firecrawl's Rust PDF parser: tells text PDFs from scans in milliseconds and turns the text ones into Markdown without OCR.

Xberg (formerly Kreuzberg)

RAG & dataRust9.4k stars

4.1/5

Rust document extractor, formerly Kreuzberg: 107 formats, eight OCR backends, 15 language bindings, plus CLI, REST API and MCP server.

Ocrs

RAG & dataRust1.9k stars

3.8/5

Small, pure-Rust OCR library and CLI with its own neural models, which builds anywhere including WebAssembly but reads Latin script only.

MarkItDown: häufige Fragen

Lohnt sich MarkItDown?
MarkItDown bringt Office-Dateien schneller in ein Modell als jedes andere Open-Source-Werkzeug und plättet genau die PDFs, die für Retrieval intakt bleiben müssten. Wir bewerten es mit 3.8 von 5.
Was kostet MarkItDown?
Kostenlos und Open Source unter der MIT-Lizenz. Optionale Azure-Konvertierungsdienste rechnet Microsoft ab.
Welche Nachteile hat MarkItDown?
Plättet PDF-Tabellen und mehrspaltige Layouts; OCR braucht ein kostenpflichtiges Vision-Modell oder Azure; Liest jede Datei und URL, die der Prozess erreichen kann; Kein gehosteter Modus oder Servermodus vorgesehen.
Für wen eignet sich MarkItDown?
Entwickler, die Office-Dokumente und saubere digitale PDFs schnell und günstig an ein Modell übergeben müssen.
Was kostet MarkItDown für ein Team oder im Produktivbetrieb?
Kostenlos auf der CPU für Office und digital erzeugte PDFs. Azure Document Intelligence Read kostet 1,50 $ und Layout 10 $ pro 1.000 Seiten, die Standardextraktion von Content Understanding 5 $ pro 1.000; OCR über ein Vision-Modell rechnet dein Anbieter pro Aufruf ab.
Ist MarkItDown sicher für Firmendaten?
Standardmäßig lokal, ohne im README erwähnte Telemetrie; auch die GitHub-Codesuche findet keine, und das Docker-Image setzt ORT_DISABLE_TELEMETRY=1. Dateien gehen nur an OpenAI oder einen anderen Anbieter, wenn du das OCR-Plugin oder Bildbeschreibungen aktivierst, und an Azure, wenn du diese Backends nutzt. Es liest jeden Pfad und jede URL, die der Prozess erreichen kann. MIT; keine veröffentlichten Security Advisories.
Was sind die besten Alternativen zu MarkItDown?
Die nächsten Alternativen, die wir getestet haben, sind Docling, Unstructured, Marker, pdf-inspector, Xberg (formerly Kreuzberg) und Ocrs.

Antworten geprüft am 26. Okt. 2026.