Python 中使用 anydoc - firecrawl-anydoc 教程

API 参考Python

anydoc 的 Python 绑定叫 firecrawl-anydoc，转换期间会释放 GIL——这意味着它可以安全地和 asyncio、多线程混用，不会卡住整个进程。

安装

pip install firecrawl-anydoc

包自带 Python stubs，类型提示开箱即用。

三个核心 API

import anydoc

# 1. 从路径转
markdown = anydoc.to_markdown("report.docx")
print(markdown)

# 2. 从字节转
data = open("slides.pptx", "rb").read()
md = anydoc.to_markdown_bytes(data)

# 3. 停在文档模型（保留嵌入资源）
doc = anydoc.to_document(data)
# doc 上可访问图片/嵌入对象的原始字节与媒体类型

错误处理

try:
    anydoc.to_markdown("scanned.pdf")
except anydoc.UnsupportedError as e:
    print("不支持的格式或扫描版 PDF:", e)

错误以异常子类暴露：UnsupportedError、MalformedError、EncryptedError、ResourceLimitError、MissingPartError、IoError，对应关系见错误处理与限制。

常见场景

asyncio 服务里并发转换

import asyncio
import anydoc

async def convert(path: str) -> str:
    return await asyncio.to_thread(anydoc.to_markdown, path)

async def main():
    files = ["a.docx", "b.pdf", "c.xlsx"]
    results = await asyncio.gather(*(convert(f) for f in files))

GIL 在转换期间释放，to_thread 不会互相拖累。

数据分析管道

import anydoc
import pandas as pd

md = anydoc.to_markdown("sales.xlsx")
# 转出来的 Markdown 表格可以直接喂给 LLM 做数据分析

批量清洗合同文本

from pathlib import Path

for p in Path("contracts").glob("*.docx"):
    md = anydoc.to_markdown(str(p))
    Path(f"markdown/{p.stem}.md").write_text(md, encoding="utf-8")

小提示

to_markdown_bytes 接受 bytes，从文件流、HTTP 响应体拿到的字节直接可用
想保留嵌入资源就停在 to_document，别转字符串
大文件转换时留意 ResourceLimit 错误——那是安全限制在工作，不是性能问题