如何将 doc/docx 文件转换为 markdown 或结构化文本？

Posted 2023-03-28

【中文标题】如何将 doc/docx 文件转换为 markdown 或结构化文本？

【英文标题】：How can doc/docx files be converted to markdown or structured text?

【发布时间】：2013-04-29 07:01:57

【问题描述】：

是否有将.doc 或.docx 文件转换为Markdown 或类似文本的程序或工作流程？

PS：理想情况下，我会欢迎将 MS Word 文档中的特定字体（例如 consolas）呈现为 text-code: ```....``` 的选项。

【问题讨论】：

看起来pandoc 现在支持从.docx 到.md 的直接转换，包括数学公式。看看here 示例 35。

查看 wordtomarkdown.com。 Windows 商店中有一个有用的应用程序。它比 Pandoc 做得更多，包括表格、图像和代码。

【参考方案1】：

Pandoc 支持直接从 docx 到 markdown 的转换：

pandoc -f docx -t markdown foo.docx -o foo.markdown

支持多种降价格式：

-t gfm (GitHub-Flavored Markdown)  
-t markdown_mmd (MultiMarkdown)  
-t markdown (pandoc’s extended Markdown)  
-t markdown_strict (original unextended Markdown)  
-t markdown_phpextra (PHP Markdown Extra)  
-t commonmark (CommonMark Markdown)  

【讨论】：

使用自制软件 (brew install pandoc) 测试并在 OS-X El Capitan 上工作

Word 表格没有正确转换 - 只是在 MD 中以纯文本结束。

有什么办法可以保存图片吗？

关于从Word文件中保存图像的问题：将Word文档另存为html。 Word 将文档的所有图像放在一个单独的文件夹中。有保存为 JPG 或 PNG 的选项...

要保存图像，请将选项--extract-media=./ 添加到上面的命令中。它将创建一个包含所有图像的文件夹media，它们将正确显示在降价文件中。

【参考方案2】：

docx -> 降价

特别是关于问题 (docx --> markdown)，请使用 Microsoft Word 的 Writeage 插件。它也适用于markdown --> docx。

更多选项

使用转换工具进行多文件转换。 对单个文件和高级字体使用 WYSIWYG 编辑器。

哪些转换工具？

我已经测试了这三个：(1) Pandoc (2) Mammoth (3) w2m

潘多克

到目前为止，支持多种文件类型的卓越转换工具（有关支持的文件类型，请参阅 Pandoc 的 man page）：

pandoc -f docx -t gfm somedoc.docx -o somedoc.md

注意

要让pandoc 导出ma​​rkdown 表（pandoc 中的“pipe_tables”），请使用multimarkdown 或gfm 输出格式。

如果格式化为 PDF，pandoc 会为此使用 LaTeX 模板，因此如果该命令无法开箱即用，您可能需要为您的操作系统安装 LaTeX 包。说明LaTeX Installation

哪些所见即所得的编辑器？

对于docx，使用Writeage。

维护高级字体

如果您希望保留 unicode 字符、emojis 并保持优质字体，则在使用 copy 时，您将从下面的编辑器中获得一些帮助-and-paste 文件格式之间的操作。请注意，这些不会以本机方式读取或写入 docx。

Typora iaWriter Markdown Viewer 用于 Chrome。

程序等效项

对于程序等效项，您可能会通过调用不同的 pdf-engine 及其各自的选项来获得一些结果，但我尚未对此进行测试。 pandoc 默认为“pdflatex”。

pandoc --pdf-engine=
pandoc --pdf-engine-opt=STRING

更新：A4 与美国信函

对于美国以外的地区，设置 geometry 变量：

pandoc -s -V geometry:a4paper -o outfile.pdf infile.md

脚注

这里值得一提 - 在发现 Markdown 时并不明显的是，MultiMarkdown 是迄今为止功能最丰富的 Markdown 格式。

MultiMarkdown 支持元数据、目录、脚注、数学、表格和 YAML。

但 Github 的默认格式使用gfm，它也支持表格。我对 Github/GitLab 使用 gfm，对其他所有内容使用 MultiMarkdown。

【讨论】：

查看 wordtomarkdown.com。 Windows 商店中有一个有用的应用程序。它比 Pandoc 做得更多，包括表格、图像和代码。

【参考方案3】：

鉴于您在 *** 上提出了这个问题，您可能想要一个编程或命令行解决方案，我已经提供了另一个答案。

但是，另一种解决方案可能是将Writage Markdown plugin 用于Microsoft Word。

Writage 将 Word 变成您的 Markdown 所见即所得编辑器，因此您将能够打开 Markdown 文件并像在 Microsoft Word 中编辑任何文档一样对其进行编辑。也可以将您的 Word 文档保存为 Markdown 文件，而无需任何其他转换器。

在幕后，Writage 使用Pandoc，您还需要安装它才能使此插件正常工作。

目前支持以下 Markdown 元素：

标题 列表（编号和项目符号） 链接 粗体、斜体等字体样式 表格 脚注

这可能是许多最终用户的理想解决方案，因为他们不需要安装或运行任何命令行工具，而只需坚持使用他们最熟悉的工具。

【讨论】：

值得注意的是，Writage 仅适用于 Windows。我已经通过电子邮件向作者发送电子邮件询问有关 OS X 的问题。

另外值得注意的是，它是一个付费应用程序（至少在撰写本文时）。

【参考方案4】：

Mammoth 以 Word 到 HTML 转换器而闻名，但它现在支持 Markdown writer 模块。当我上次检查时，Mammoth Markdown 支持仍处于早期阶段，因此您可能会发现某些功能不受支持。像往常一样...查看网站了解最新详情。

安装

要使用 javascript 版本...安装 NodeJS 然后安装 Mammoth：

npm install -g mammoth

命令行

命令行将 Word 文档转换为 Markdown ...

mammoth document.docx --output-format=markdown

API

NodeJS API 转换为 Markdown ...

var mammoth = require("mammoth");
mammoth.convertToMarkdown(path: "path/to/document.docx");

特点：

Mammoth Markdown 编写器目前支持：

列表（编号和项目符号） 链接 粗体、斜体等字体样式 图片

Mammoth 命令行工具和 API 已移植到多种语言：

没有降价（2016 年 5 月）：

.NET Java/JVM Wordpress

使用 Markdown：

Javascript Python

【讨论】：

mammoth document.docx --output-format=markdown > document.md 帮助我生成了一个转换后的文件，因为似乎仍然不支持直接这样做

【参考方案5】：

您可以使用Word to Markdown (Ruby Gem) 一步转换它。转换可以很简单：

$ gem install word-to-markdown
$ w2m path/to/document.docx

它通过 LibreOffice 路由文档，但也最好根据它们的相对字体大小对标题进行语义化。

还有a hosted version，只需拖放即可转换。

【讨论】：

感谢分享托管版本；我喜欢这样而不是在我的计算机上安装二进制文件。

【参考方案6】：

Word to Markdown 可能值得一试，或者通过 HTMLZ 使用 Calibre 和 Pandoc 描述的过程 here，这是他们使用的 bash 脚本：

#!/bin/bash
mkdir temp
cp $1 temp
cd temp
ebook-convert $1 output.htmlz
unzip output.htmlz
cd ..
pandoc -f html -t markdown -o output.md temp/index.html
rm -R temp

【讨论】：

虽然此链接可能会回答问题，但最好在此处包含答案的基本部分并提供链接以供参考。如果链接页面发生更改，仅链接的答案可能会失效。

@EduardLuca 抱歉，您希望我实际发布源代码吗？哦，你的意思是后者，是的，我可以总结一下……

仅链接答案背后的想法是，这些网站的内容可能会更改，或者将来可能会被删除，因此最好在您的答案中包含来自这些网站的任何相关信息，以便即使链接发生变化，它也会对未来的人们有所帮助。这些相关信息可以是代码，也可以是您链接到的网站内容的摘要。

@EduardLuca 我知道这一点（实际上我自己也标记/否决了许多仅链接的答案），尽管我希望链接到这些工具能够提供足够的起点。真的没有更多的信息传达......

我认为您发布的代码很有帮助。我指的是networkcultures.org/digitalpublishing/2013/08/30/…，其中包含详细说明，但你发布了总结的 bash 很好:)

【参考方案7】：

来自here：

unoconv -f html test.docx
pandoc -f html -t markdown -o test.md test.html

【参考方案8】：

您可以使用此 Visual Basic 脚本将 Word 文档从 MS Word 中转换为 Markdown：

https://gist.github.com/hawkrives/2305254

按照“使用代码”下的说明在 Word 中创建新宏。

注意：这会将当前打开的 Word 文档转换为 Markdown，从而删除所有 Word 格式（标题、列表等）。首先保存您计划转换的 Word 文档，然后在运行宏之前再次将该文档另存为新文档。这样您就可以随时返回原始 Word 文档进行更改。

这里有更多 Word to markdown VB 脚本的示例：

https://www.mediawiki.org/wiki/Microsoft_Word_Macros

【参考方案9】：

这是一个用 Ruby 构建的开源 Web 应用程序来执行此操作： https://word2md.com

【参考方案10】：

如果您使用的是 Linux，请尝试 Pandoc（首先使用 LibreOffice 或其他工具将 .doc/.docx 转换为 html，然后运行它）。

在Windows上（或者如果Pandoc不起作用），你可以试试这个网站（在线演示，你可以下载它）：Markdownify

【讨论】：

Markdownify 喷出“严格标准：”-PHP 消息，pandoc -f html -t markdown -s mydoc.html -o mydoc.md 导致纯文本/非重组文本（即与复制和粘贴到文本编辑器相同）。你对这两个有什么经验？

【参考方案11】：

对于项目符号列表，您可以将列表粘贴到 Sublime Text 中并使用多选（已测试）或查找并替换（未测试）来替换专有的 MS Word 字符，例如 -、-- 等

这不适用于标题，但可以对其他元素使用类似的技术。

【参考方案12】：

对于.doc Word 文件：

antiword -f some_file.doc

antiword的主页：http://www.winfield.demon.nl/