MolanDev

Appearance

文档转换服务 ​

📦 源码地址 ​

💡 创作初衷 ​

在构建 Java AI 应用时，我们面临一个关键挑战：如何高效地将各种文档格式转换为结构化的 Markdown 文本。这是 RAG 系统、智能问答、知识图谱构建等场景的基础能力。

🎯 应用场景 ​

  • RAG 知识库构建：从企业文档中提取内容，保留结构
  • 智能问答系统：解析用户上传的文档，基于内容回答问题
  • 文档分析摘要：自动生成摘要，提取关键信息
  • 知识图谱构建：从文档中提取实体和关系

🔧 技术选型 ​

我们精选了三款业界顶尖的 Python 文档处理工具：

工具适用场景核心优势
MarkItDownDOCX、PPTX、XLSX → Markdown微软官方出品，结构保留完美
LibreOffice旧版 .doc、格式互转企业级能力，支持 100+ 格式
MinerU复杂 PDF 解析OCR 加持，表格识别，学术论文利器

🌟 解决方案 ​

我们构建了一个 轻量、高效、生产就绪 的文档转换微服务：

✅ 三种顶尖 Python 转换工具
✅ 封装为 Java REST API
✅ GraalVM 原生镜像（启动 0.04s，内存 20MB）
✅ 内置并发控制、自动清理、错误隔离
✅ Docker 一键部署，开箱即用

✨ 核心特性 ​

🚀 极速启动 ​

GraalVM Native Image 编译，启动时间从秒级降至毫秒级：

bash
# 传统 JVM
Started in 3.245 seconds

# GraalVM Native Image  
Started in 0.042 seconds（快 80 倍）

💾 超低内存 ​

原生镜像内存占用仅为传统 JVM 的 1/10：

模式内存占用镜像大小
传统 JVM~200MB~350MB
GraalVM Native~20MB~80MB

🔄 三种转换引擎 ​

1. MarkItDown - 微软官方方案 ​

适用场景：

  • ✅ Word 文档（.docx, .pptx, .xlsx）转 Markdown
  • ✅ PDF 转 Markdown（非扫描件）
  • ✅ 保留章节结构和图片

快速开始：

bash
docker pull molandev/markitdown-converter-api:latest

docker run -d -p 10996:10996 --name markitdown-converter \
  molandev/markitdown-converter-api:latest

镜像大小：~80MB

2. LibreOffice - 格式转换专家 ​

适用场景：

  • ✅ 旧版 Word 文档（.doc）转换
  • ✅ Office 文档转 PDF/HTML/DOCX
  • ✅ 企业级文档处理

快速开始：

bash
docker pull molandev/libreoffice-converter-api:latest

docker run -d -p 10996:10996 --name libreoffice-converter \
  molandev/libreoffice-converter-api:latest

镜像大小：~500MB

3. MinerU - PDF 解析专家 ​

适用场景：

  • ✅ 复杂 PDF 解析（多栏、表格、图像）
  • ✅ 学术论文、研究报告
  • ✅ OCR 文字识别

快速开始：

bash
docker pull molandev/mineru-converter-api:latest

docker run -d -p 10996:10996 --name mineru-converter \
  molandev/mineru-converter-api:latest

镜像大小：~2GB

📖 API 文档 ​

启动服务后，访问 http://localhost:10996/help 查看完整 API 文档。

MarkItDown API ​

文件上传转换：

bash
# 基础转换
curl -F "file=@document.docx" \
  http://localhost:10996/convert/markitdown/upload \
  -o output.md

# 保留图片
curl -F "file=@document.docx" -F "keepDataUris=true" \
  http://localhost:10996/convert/markitdown/upload \
  -o output.md

URL 下载转换：

bash
curl -X POST "http://localhost:10996/convert/markitdown/url?fileUrl=https://example.com/doc.docx" \
  -o output.md
参数类型必填说明
fileFile是文档文件（pdf/docx/pptx/xlsx/xls）
keepDataUrisBoolean否是否保留图片，默认 false

LibreOffice API ​

文件上传转换：

bash
# 转 PDF（默认）
curl -F "file=@document.doc" \
  http://localhost:10996/convert/libreoffice/upload \
  -o output.pdf

# 转 DOCX
curl -F "file=@document.doc" -F "format=docx" \
  http://localhost:10996/convert/libreoffice/upload \
  -o output.docx

URL 下载转换：

bash
curl -X POST "http://localhost:10996/convert/libreoffice/url?fileUrl=https://example.com/doc.doc&format=pdf" \
  -o output.pdf
参数类型必填说明
fileFile是文档文件
formatString否目标格式，默认 pdf（支持 pdf、docx、html 等）

MinerU API ​

文件上传转换：

bash
# 输出 Markdown（默认）
curl -F "file=@document.pdf" \
  http://localhost:10996/convert/mineru/upload \
  -o output.md

# 输出 JSON
curl -F "file=@document.pdf" "http://localhost:10996/convert/mineru/upload?outputFormat=json" \
  -o output.json

# 输出全部文件（ZIP 包含 md、json、pdf、图片）
curl -F "file=@document.pdf" "http://localhost:10996/convert/mineru/upload?outputFormat=zip" \
  -o output.zip

URL 下载转换：

bash
curl -X POST "http://localhost:10996/convert/mineru/url?fileUrl=https://example.com/doc.pdf&outputFormat=zip" \
  -o output.zip
参数类型必填说明
fileFile是PDF 文件
outputFormatString否输出格式：md（默认）、json、zip

⚙️ 配置说明 ​

环境变量说明默认值
SERVER_PORT服务端口10996
CONVERTER_MAX_CONCURRENT最大并发数10
CONVERTER_ACQUIRE_TIMEOUT获取并发许可超时（秒）30
CONVERTER_RETENTION_MINUTES临时文件保留时间（分钟）10
CONVERTER_SCHEDULE_MINUTES清理任务间隔（分钟）5
CONVERTER_TEMP_DIR临时文件目录/app/temp

自定义配置示例：

bash
docker run -d -p 10996:10996 \
  -e CONVERTER_MAX_CONCURRENT=20 \
  -e CONVERTER_RETENTION_MINUTES=5 \
  -v /data/temp:/app/temp \
  molandev/markitdown-converter-api:latest

🐳 镜像对比 ​

镜像大小推荐场景
markitdown-converter-api~80MBDOCX/PPTX/XLSX 转 Markdown
libreoffice-converter-api~500MB旧版 .doc 转换、格式互转
mineru-converter-api~2GB复杂 PDF 解析、OCR

🔧 Java 集成示例 ​

java
// Spring Boot RestTemplate
MultiValueMap<String, Object> body = new LinkedMultiValueMap<>();
body.add("file", new FileSystemResource(file));

ResponseEntity<byte[]> response = restTemplate.postForEntity(
    "http://localhost:10996/convert/markitdown/upload",
    new HttpEntity<>(body),
    byte[].class
);

String markdown = new String(response.getBody(), StandardCharsets.UTF_8);

💪 核心优势 ​

✅ 极速启动：0.04 秒启动，比传统 JVM 快 80 倍
✅ 超低内存：仅需 20MB，是传统 JVM 的 1/10
✅ 镜像轻量：最小 80MB，减少 77% 体积
✅ 生产就绪：内置并发控制、文件管理、错误隔离
✅ 完美转换：保留章节结构、表格、图片

🎯 适用场景 ​

  • RAG 知识库构建
  • 智能问答系统
  • 文档分析与摘要
  • 知识图谱构建

🚀 一行命令启动 ​

bash
docker run -d -p 10996:10996 molandev/markitdown-converter-api:latest

🎉 轻量 · 高效 · 易用

Document Converter - 让文档转换更简单

📦 Docker Hub

最后更新于: