MCP Document Converter (MCP 文档转换器)
MCP（模型上下文协议）文档转换器 - 支持多格式文档转换的 MCP 工具，让 AI 智能体能够轻松转换各种文档格式。
🌐 语言: English | 中文
## 功能特性
- **多格式支持**：支持 Markdown、HTML、DOCX、PDF、Text 等 5 种主流文档格式
- **双向转换**：任意格式之间都可以相互转换（5×5=25 种转换组合）
- **MCP 协议**：符合 MCP 标准，可作为 AI 助手（如 Trae IDE）的工具使用
- **插件架构**：易于扩展新的解析器和渲染器
- **代码高亮**：HTML 和 PDF 输出支持语法高亮
- **样式定制**：支持自定义 CSS 样式
- **元数据保留**：转换过程中保留文档标题、作者、创建时间等元数据
---
## 📚 文档中心
[用户指南](docs/zh/USER_GUIDE.md) · [API 参考](docs/zh/API.md) · [贡献指南](docs/zh/CONTRIBUTING.md) · [更新日志](docs/zh/CHANGELOG.md) · [许可证](LICENSE)
---
## 架构设计
```mermaid
flowchart TB
subgraph Parsers["Parsers 解析器"]
MD[Markdown]
DOCX1[DOCX]
HTML1[HTML]
PDF1[PDF]
TXT1[Text]
end
subgraph IR["Intermediate Representation 中间表示"]
DT[Document Tree 文档树]
META[Metadata 元数据]
ASSETS[Assets 资源]
end
subgraph Renderers["Renderers 渲染器"]
HTML2[HTML]
PDF2[PDF]
MD2[Markdown]
DOCX2[DOCX]
TXT2[Text]
end
MD --> IR
DOCX1 --> IR
HTML1 --> IR
PDF1 --> IR
TXT1 --> IR
IR --> HTML2
IR --> PDF2
IR --> MD2
IR --> DOCX2
IR --> TXT2
```
### 核心组件
1. **DocumentIR（中间表示）**：所有文档的统一抽象，包含文档树、元数据、资源等
2. **BaseParser（解析器基类）**：定义了解析器的接口，将各种格式解析为 DocumentIR
3. **BaseRenderer（渲染器基类）**：定义了渲染器的接口，将 DocumentIR 渲染为各种格式
4. **ConverterRegistry（注册表）**：管理所有解析器和渲染器，提供格式查找和自动匹配
5. **DocumentConverter（转换引擎）**：协调解析器和渲染器完成文档转换
## 支持的格式
### 解析格式（输入）
| 格式 | 扩展名 | MIME 类型 | 特性 |
| -------- | ---------------------------- | ----------------------------------------------------------------------- | -------------------------------- |
| Markdown | .md, .markdown, .mdown, .mkd | text/markdown | 支持 YAML Front Matter、GFM 扩展 |
| HTML | .html, .htm | text/html | 支持语义化标签解析 |
| DOCX | .docx | application/vnd.openxmlformats-officedocument.wordprocessingml.document | 支持样式、表格、图片 |
| PDF | .pdf | application/pdf | 支持文本提取和结构识别 |
| Text | .txt, .text | text/plain | 支持自动编码检测和结构识别 |
### 渲染格式（输出）
| 格式 | 扩展名 | MIME 类型 | 特性 |
| -------- | ------ | ----------------------------------------------------------------------- | ------------------------------------- |
| HTML | .html | text/html | 美观的样式、代码高亮、响应式设计 |
| Markdown | .md | text/markdown | 标准 Markdown 格式、YAML Front Matter |
| DOCX | .docx | application/vnd.openxmlformats-officedocument.wordprocessingml.document | Word 文档格式、保留样式 |
| PDF | .pdf | application/pdf | 使用 WeasyPrint 生成、支持分页 |
| Text | .txt | text/plain | 纯文本、保留基本格式 |
## 转换矩阵
```mermaid
flowchart LR
subgraph Sources["源格式 Source Formats"]
MD_S[Markdown]
HTML_S[HTML]
DOCX_S[DOCX]
PDF_S[PDF]
TXT_S[Text]
end
subgraph Targets["目标格式 Target Formats"]
MD_T[Markdown]
HTML_T[HTML]
DOCX_T[DOCX]
PDF_T[PDF]
TXT_T[Text]
end
MD_S --> Targets
HTML_S --> Targets
DOCX_S --> Targets
PDF_S --> Targets
TXT_S --> Targets
```
## 安装
### 使用 pip (推荐)
```bash
pip install mcp-document-converter
```
### 从源码安装
```bash
git clone https://github.com/xt765/mcp-document-converter.git
cd mcp-document-converter
pip install -e .
```
## MCP 工具
本服务器提供以下工具：
### `convert_document`
将文档从一种格式转换为另一种格式。
**参数：**
- `source_path` (string, 必填): 源文档路径。
- `target_format` (string, 必填): 目标格式 (`html`, `pdf`, `markdown`, `docx`, `text`)。
- `output_path` (string, 可选): 输出文件路径。
- `source_format` (string, 可选): 源文件格式（如不提供将根据扩展名自动检测）。
- `options` (object, 可选): 额外选项，如 `template`, `css`, 和 `preserve_metadata`。
## 配置
### 在 Trae IDE / Claude Desktop 中使用
将以下内容添加到您的 MCP 配置文件中：
**选项 1：使用 PyPI (推荐)**
```json
{
"mcpServers": {
"mcp-document-converter": {
"command": "uvx",
"args": [
"mcp-document-converter"
]
}
}
}
```
**选项 2：使用 GitHub 仓库**
```json
{
"mcpServers": {
"mcp-document-converter": {
"command": "uvx",
"args": [
"--from",
"git+https://github.com/xt765/mcp-document-converter",
"mcp-document-converter"
]
}
}
}
```
**选项 3：使用 Gitee 仓库（国内访问更快）**
```json
{
"mcpServers": {
"mcp-document-converter": {
"command": "uvx",
"args": [
"--from",
"git+https://gitee.com/xt765/mcp-document-converter",
"mcp-document-converter"
]
}
}
}
```
**选项 4：使用 pip（手动安装）**
首先安装包：
```bash
pip install mcp-document-converter
```
然后添加到配置：
```json
{
"mcpServers": {
"mcp-document-converter": {
"command": "mcp-document-converter",
"args": []
}
}
}
```
### 在 Cherry Studio 中使用
*Cherry Studio 是一款功能强大的开源桌面 AI 客户端助手, 支持通过 MCP 协议集成各种工具*
**配置示例：**
**使用示例：**
## 使用方法
### 作为 MCP 工具使用
配置完成后，AI 助手可以直接调用以下工具：
#### 1. convert_document（推荐）
使用统一接口转换任何支持的文档类型。
```python
# Markdown 转 HTML
convert_document(
source_path="document.md",
target_format="html"
)
# HTML 转 PDF
convert_document(
source_path="document.html",
target_format="pdf"
)
# DOCX 转 Markdown
convert_document(
source_path="document.docx",
target_format="markdown"
)
# 带选项的转换
convert_document(
source_path="document.md",
target_format="html",
output_path="output.html",
options={
"css": "custom.css",
"preserve_metadata": True
}
)
```
#### 2. list_supported_formats
列出所有支持的文档格式。
```python
list_supported_formats()
```
#### 3. get_conversion_matrix
获取完整的格式转换矩阵。
```python
get_conversion_matrix()
```
#### 4. can_convert
检查是否支持从源格式转换到目标格式。
```python
can_convert(source_format="markdown", target_format="pdf")
```
#### 5. get_format_info
获取特定格式的详细信息。
```python
get_format_info(format="markdown")
```
### 作为 Python 库使用
```python
from mcp_document_converter import DocumentConverter
from mcp_document_converter.registry import get_registry
from mcp_document_converter.parsers import MarkdownParser, HTMLParser
from mcp_document_converter.renderers import HTMLRenderer, PDFRenderer
# 注册解析器和渲染器
registry = get_registry()
registry.register_parser(MarkdownParser())
registry.register_parser(HTMLParser())
registry.register_renderer(HTMLRenderer())
registry.register_renderer(PDFRenderer())
# 创建转换器
converter = DocumentConverter(registry)
# 转换文档
result = converter.convert(
source="input.md",
target_format="html",
output_path="output.html"
)
if result.success:
print(f"✅ 转换成功: {result.output_path}")
else:
print(f"❌ 转换失败: {result.error_message}")
```
## 工具接口详情
### convert_document
将文档从一种格式转换为另一种格式。
**参数：**
| 参数名 | 类型 | 必需 | 描述 |
| ----------------- | ------ | ---- | ------------------------------------------------------------- |
| `source_path` | string | ✅ | 源文件路径，支持绝对路径或相对路径 |
| `target_format` | string | ✅ | 目标格式：`html`、`pdf`、`markdown`、`docx`、`text` |
| `output_path` | string | ❌ | 输出文件路径（可选，默认使用源文件名） |
| `source_format` | string | ❌ | 源格式（可选，自动检测文件扩展名） |
| `options` | object | ❌ | 转换选项 |
**options 选项：**
| 选项名 | 类型 | 默认值 | 描述 |
| --------------------- | ------- | ------ | --------------- |
| `template` | string | - | 模板名称 |
| `css` | string | - | 自定义 CSS 样式 |
| `preserve_metadata` | boolean | true | 是否保留元数据 |
| `extract_images` | boolean | true | 是否提取图片 |
**示例：**
```json
{
"source_path": "/path/to/document.md",
"target_format": "html",
"output_path": "/path/to/output.html",
"options": {
"css": "body { font-family: Arial; }",
"preserve_metadata": true
}
}
```
## 扩展开发
### 添加新的解析器
```python
from typing import List, Union
from pathlib import Path
from mcp_document_converter.core.parser import BaseParser
from mcp_document_converter.core.ir import DocumentIR, Node, NodeType
class MyParser(BaseParser):
@property
def supported_extensions(self) -> List[str]:
return [".myext"]
@property
def format_name(self) -> str:
return "myformat"
@property
def mime_types(self) -> List[str]:
return ["application/x-myformat"]
def parse(self, source: Union[str, Path, bytes], **options) -> DocumentIR:
# 读取源文件
content = self._read_source(source)
# 解析为 DocumentIR
document = DocumentIR()
document.title = "My Document"
# 添加内容节点
document.add_node(Node(
type=NodeType.PARAGRAPH,
content=[Node(type=NodeType.TEXT, content="Hello World")]
))
return document
```
### 添加新的渲染器
```python
from typing import Any
from mcp_document_converter.core.renderer import BaseRenderer
from mcp_document_converter.core.ir import DocumentIR
class MyRenderer(BaseRenderer):
@property
def output_extension(self) -> str:
return ".myext"
@property
def format_name(self) -> str:
return "myformat"
@property
def mime_type(self) -> str:
return "application/x-myformat"
def render(self, document: DocumentIR, **options: Any) -> str:
# 将 DocumentIR 渲染为目标格式
parts = []
if document.title:
parts.append(f"# {document.title}")
for node in document.content:
# 渲染每个节点
pass
return "\n".join(parts)
```
### 注册扩展
```python
from mcp_document_converter.registry import get_registry
# 注册新的解析器和渲染器
registry = get_registry()
registry.register_parser(MyParser())
registry.register_renderer(MyRenderer())
```
## 测试
```bash
# 运行所有测试
python tests/test_conversion.py
# 运行特定测试
python tests/test_conversion.py::test_markdown_to_html
```
## 环境变量
| 变量名 | 描述 | 默认值 |
| --------------------------- | ------------ | ------------ |
| `MCP_CONVERTER_LOG_LEVEL` | 日志级别 | `INFO` |
| `MCP_CONVERTER_TEMP_DIR` | 临时文件目录 | 系统临时目录 |
## 依赖
### 核心依赖
- `mcp` >= 1.26.0 - MCP 协议实现
- `pydantic` >= 2.12.5 - 数据验证
### 解析器依赖
- `markdown` >= 3.5.0 - Markdown 解析
- `beautifulsoup4` >= 4.12.0 - HTML 解析
- `python-docx` >= 1.1.0 - DOCX 解析
- `pypdf` >= 6.7.4 - PDF 解析
- `chardet` >= 5.0.0 - 编码检测
- `pyyaml` >= 6.0.0 - YAML 解析
### 渲染器依赖
- `weasyprint` >= 60.0 - PDF 渲染
- `pygments` >= 2.17.0 - 代码高亮
- `jinja2` >= 3.1.6 - 模板引擎
- `reportlab` >= 4.0.0 - PDF 生成
### 开发依赖
- `pytest` >= 7.0.0 - 测试框架
- `pytest-asyncio` >= 0.21.0 - 异步测试支持
- `pytest-cov` >= 4.0.0 - 覆盖率报告
- `basedpyright` >= 1.0.0 - 类型检查
- `ruff` >= 0.1.0 - 代码检查和格式化
## 许可证
MIT License
## 贡献
欢迎提交 Issue 和 Pull Request！
## 相关项目
- [MCP Document Reader](https://github.com/xt765/mcp_documents_reader) - MCP 文档阅读器，支持读取多种文档格式
- [Model Context Protocol](https://modelcontextprotocol.io/) - 模型上下文协议官方文档