Windows 平台下的多格式文档转 Markdown 图形工具，基于 Python、Tkinter、MarkItDown 以及 Firecrawl AnyDoc / pdf-inspector 构建，目标是让常见文档在图形界面中完成可控、可验证、可预览的 Markdown 转换。
- 面向 Windows 用户提供可直接操作的桌面式转换工具
- 支持单文件与批量转换
- 支持多种转换策略，以兼顾内容提取、图文混排与版式保真
- 优先保证转换效果与稳定性，而不是为统一流程牺牲结果
- 当前版本：v0.1.7（版本日期 20260902）
- 平台：Windows
- 语言：Python
- 图形框架：Tkinter / customtkinter / ttk
- 打包工具：PyInstaller（打包脚本统一以
sys.executable -m PyInstaller执行，避免本机多套 Python 环境混用导致依赖清单错位） - 主程序：
AnyToMD_main.py（文件名固定不变；项目版本号统一由源码内APP_VERSION/APP_VERSION_DATE常量控制，不再随版本号改名） - 打包脚本：
AnyToMD_build.py（唯一打包入口；生成的 EXE 名为AnyToMD_v{APP_VERSION}_{打包当日YYYYMMDD}.exe） - 体积审计脚本：
build_size_audit.py - 回归脚本：
regression_smoke.py
- 支持 PDF、Word、Excel、PPT、HTML、HTM、MHTML 等多类文档转换（含旧版 Office 格式 .doc / .xls / .ppt；其中 .xls/.ppt 兜底依赖 AnyDoc 引擎）
- 支持单文件转换与批量转换
- 支持转换后 Markdown 预览
- 支持“文档输出模式”与“图片输出策略”组合控制
- 支持图片嵌入、图片落地、OCR 等扩展能力
- 支持五种文档输出模式：智能转换（图文并存）、保持版式（页面转图片）、保留图像、保留文字、保留文字（含 OCR）
- 浏览器导出的书签 HTML（Netscape 格式）走专用解析路径，保留文件夹层级、备注与链接
- AnyDoc 兜底引擎（Firecrawl AnyDoc，纯 Rust）：对 Office 文档（DOC/DOCX/XLS/XLSX/PPT/PPTX）在其他转换方法均失败时自动启用，保留标题层级与表格结构
- pdf-inspector 引擎（Firecrawl pdf-inspector，纯 Rust）：纯文本型 PDF 的智能识别（detect_pdf）与高质量 Markdown 输出；设置页新增「PDF 引擎策略」下拉：自动(默认) / 图文混排优先 / pdf-inspector优先（仅作用于智能转换模式，保持版式与扫描件 OCR 路径不变）
- PDF 当前已形成专用图文混排转换路径，优先保证图文混合与相对位置保留；pdf-inspector 作为纯文本型 PDF 的补充引擎（默认自动模式，仅 text_based 触发）
- Word 当前整体转换效果较稳定；AnyDoc 作为 Office 转换的最终兜底
- HTML / HTM / MHTML 已补充图文混排与书签导出专用处理；书签文件采用 HTMLParser 事件流 + DL 栈结构化解析（不依赖 DOM 树容错，完整还原全部文件夹与可点击链接，避免 markitdown 0.1.7 对深层 HTML 的纯文本回退），回归与真实 Chrome 导出文件验证通过
- 工程整体可编译、可运行，当前更应优先做验证补强而不是频繁改动主流程
python .\AnyToMD_main.py- 可执行文件位于
dist/AnyToMD_v0.1.7_20260902.exe（重新打包后按打包当日日期生成）
python .\AnyToMD_build.py打包注意：请在与依赖安装完全相同的单一 Python 环境中运行。脚本内部已统一以
sys.executable -m PyInstaller执行打包，从机制上避免“依赖收集解释器与 PyInstaller 解释器不一致”的问题；若本机装有多个 Python 版本或无关的 torch/torchvision/pandas 等大库，建议使用干净的虚拟环境打包，以免分析阶段加载无关二进制。
- 简要使用指南见 docs/使用指南.md
- 审核结论与注意事项见 docs/审核报告与注意事项.md
- 项目结构图清单见 docs/项目结构图清单.md
- 贡献规范：CONTRIBUTING.md
- 安全说明：SECURITY.md
- 变更记录：CHANGELOG.md
- PDF 相关转换代码目前视为冻结区，未经明确批准不建议改动
- 书签处理模块（Chrome/Netscape 书签 HTML 解析与渲染）自 2026-09-02 起为逻辑锁定区，与 PDF 冻结区同等待遇：未经专门批准禁止修改（模块内已置根因与思路注释）
- Word / PPT 的部分“保持版式”能力依赖本机 Office 与 COM 环境
- HTML / HTM / MHTML 的“保持版式”能力依赖 Edge 或 Chrome 无头打印能力
- 浏览器导出的书签 HTML 已有专用转换分支（HTMLParser 事件流 + DL 栈，完整保留文件夹层级与可点击链接；解析失败自动以 HTML 内嵌形式兜底），仍建议用真实样本复核
- OCR 模式依赖 Tesseract 安装与对应语言包
- 文件选择框已包含旧版 .xls / .ppt 类型（其转换兜底依赖 AnyDoc 引擎；未安装 AnyDoc 时功能检查会提示“不完全支持”）
- 打包体积控制说明：onnxruntime 仅收集运行所需原生二进制（tools / transformers / datasets 等已排除）；AnyDoc / pdf-inspector 的原生 .pyd 由打包脚本按实际安装位置收集，避免换机后“未安装”误报
- “图片输出策略”并不是对所有格式、所有模式都完全等价生效
- AnyDoc / pdf-inspector 均为可选增强引擎：未安装时自动回退到原有转换链路，不影响任何现有功能
- 设置页「检查功能完整性」可查看 AnyDoc / pdf-inspector 的安装状态与功能完整性
python -m py_compile .\AnyToMD_main.py .\AnyToMD_build.py .\regression_smoke.py
python .\regression_smoke.py说明：回归中包含真实样本级校验（PDF/Word/PPT/HTML/MHTML 各输出模式、书签链接保留等），部分用例结果依赖本机实际引擎能力（如无 EXIF 元数据的纯图片经 MarkItDown 可能返回空输出），请结合本机环境判断。
☕ 如果你开心，欢迎送爱心请作者喝杯咖啡，让我更有动力去创造！
- OCVSAL: Open Core Ventures Source Available License（开放核心风险投资源码可用许可证),一个“源码可用（Source-Available）”的许可证。 非商业/非生产用途免费：你可以在非生产环境中自由查看、修改、测试代码，甚至分享你的修改。 商业/生产用途需付费：只要将软件用于“生产环境”，就必须与版权持有者签订商业协议（如订阅或合同）并支付费用。 免责声明：软件按“原样”提供，不提供任何担保。特别的是，如果你的所在地法律不允许这种免责声明，那么你将自动失去使用该软件的任何许可。