如何将doc/docx文件转换为markdown或结构化文本？

Question

是否有一个程序或工作流转换.doc或.docx文件,以降价或类似的文本？

PS:理想情况下,我欢迎consolas将MS Word文档中的特定字体(例如)渲染到的选项text-code: ```....```.

Answer 1

Pandoc支持直接从docx转换为markdown:

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

Answer 2

Mammoth最出名的是Word to HTML转换器,但它现在支持Markdown编写器模块.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......查看网站上的最新细节.

安装

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

npm install -g mammoth

命令行

将Word文档转换为Markdown的命令行...

mammoth document.docx --output-format=markdown

API

NodeJS API转换为Markdown ...

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

特征:

Mammoth Markdown作家目前支持:

• 列表(编号和项目符号)
• 链接
• 字体样式,如粗体,斜体
• 图片

Mammoth命令行工具和API已移植到多种语言:

没有Markdown(2016年5月):

• .净
• 的Java/JVM
• WordPress的

使用Markdown:

• 使用Javascript
• 蟒蛇

Answer 3

鉴于你在stackoverflow上问了这个问题,你可能想要一个程序或命令行解决方案,我已经包含了另一个答案.

但是,另一种解决方案可能是使用Microsoft Word 的Writage Markdown插件.

Writage将Word转换为Markdown WYSIWYG编辑器,因此您可以打开Markdown文件并像编辑Microsoft Word中的任何文档一样进行编辑.此外,您可以将Word文档保存为Markdown文件,而无需任何其他转换器.

在封面下,Writage使用您还需要安装的Pandoc才能使此插件正常工作.

它目前支持以下Markdown元素:

• 标题
• 列表(编号和项目符号)
• 链接
• 字体样式,如粗体,斜体
• 表
• 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 - 而只是坚持他们最熟悉的东西.

Answer 4

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来标记标题.

还有一个托管版本,就像拖放转换一样简单.

Answer 5

使用转换工具

您是否要“按质量”转换旧文件？
如果是这样，您将需要一个转换工具。Markdown编辑器通常一次对一个文件进行交互操作。转换工具是按设计将文件“ 按质量 ” 转换的。

但是，哪个转换工具？

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

Windows用户：查看Windows用户的“ Writage”
Linux / macOS / Cygwin，继续阅读...

潘多克

经过大量的测试，pandoc到目前为止，它是完成此类任务的最佳工具。

句法： pandoc -f[rom] docx -t[o] gfm --wrap=preserve somedoc.docx -o[utput] somedoc.md

首先我没有意识到的是，要pandoc导出Github风味Markdown（GFM）表（在Pandoc中称为“ pipe_tables”），必须使用GFM pandoc格式。

多重降价

Multimarkdown是功能更丰富的markdown格式，除其他外还支持元数据，目录，脚注和YAML。但gfm也很棒，并符合Github的标准。

Pandoc支持的格式

-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)  


-t docx (docx)  
-t html (HTML)  
-t latex (LaTeX)  
-t mediawiki (MediaWiki markup)  

-t textile (Textile)  
-t rst (reStructuredText)  
-t docbook (DocBook)  
-t t2t (txt2tags)  
-t odt (ODT)  
-t epub (EPUB)  
-t opml (OPML)  
-t org (Emacs Org mode)  
-t twiki (TWiki markup)  
-t haddock (Haddock markup)  

所见即所得的编辑器

如果导出markdown --> docx并且不导出，则docx --> markdown像Typora（跨平台）或iA Writer（macOS）之类的WYSIWYG编辑器将可以使用高级字体以获得更好的屏幕可读性，例如包括emoji表情和其他unicode字符。但是“ 按质量 ”使用pdf pandoc输出也可以打印。

文字MS Word扩展名

Writage（MS Word扩展名）在读取Microsoft Word中的markdown文件方面做得很合理。然后可以将其另存为.docx文件。另外，也可以使用Markdown Viewer for Chrome之类的工具，然后将粘贴内容复制到Word中。这将保留您在Markdown Viewer中选择的格式设置主题。

文字-MS Word扩展名

更新：

纸张尺寸：A4或美国信纸

Pandoc的默认行为是输出到US Letter。通过设置geometry变量来修复它：

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

注意： pandoc使用LaTeX模板将格式设置为PDF，因此，LaTeX如果该命令无法立即使用，则可能需要为操作系统安装软件包。

LaTeX安装说明

Answer 6

Word to Markdown可能值得一试，或者这里描述的过程通过 HTMLZ使用Calibre和Pandoc，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

Answer 7

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），你可以尝试这个网站（在线演示，你可以下载它）：Markdownify