Spaces:
Sleeping
Sleeping
File size: 5,098 Bytes
76684fa |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 |
import os
from docx import Document
from docx.oxml.ns import qn
from PIL import Image
from io import BytesIO
from logger import LOG # 引入日志模块，用于记录调试信息
def is_paragraph_list_item(paragraph):
"""
检查段落是否为列表项。
判断依据是段落的样式名称是否包含 'list bullet' 或 'list number'，
分别对应项目符号列表和编号列表。
"""
style_name = paragraph.style.name.lower()
return 'list bullet' in style_name or 'list number' in style_name
def get_paragraph_list_level(paragraph):
"""
获取段落的列表级别（缩进层级）。
首先尝试通过 XML 结构判断，如果无法获取，则通过样式名称中的数字判断。
"""
p = paragraph._p
numPr = p.find(qn('w:numPr'))
if numPr is not None:
ilvl = numPr.find(qn('w:ilvl'))
if ilvl is not None:
return int(ilvl.get(qn('w:val')))
style_name = paragraph.style.name.lower()
if 'list bullet' in style_name or 'list number' in style_name:
for word in style_name.split():
if word.isdigit():
return int(word) - 1
return 0
def generate_markdown_from_docx(docx_filename):
"""
从指定的 docx 文件生成 Markdown 格式的内容，并将所有图像另存为文件并插入 Markdown 内容中。
支持标题、列表项、图像和普通段落的转换。
"""
# 获取 docx 文件的基本名称，用于创建图像文件夹
docx_basename = os.path.splitext(os.path.basename(docx_filename))[0]
images_dir = f'images/{docx_basename}/'
if not os.path.exists(images_dir):
os.makedirs(images_dir) # 如果目录不存在，则创建
document = Document(docx_filename) # 打开 docx 文件
markdown_content = ''
image_counter = 1 # 图像编号计数器
for para in document.paragraphs:
style = para.style.name # 获取段落样式名称
text = para.text.strip() # 获取段落文本并去除首尾空格
# 如果段落为空且没有任何运行对象，则跳过
if not text and not para.runs:
continue
# 检查段落类型：标题、列表项、普通段落
is_heading = 'Heading' in style
is_title = style == 'Title'
is_list = is_paragraph_list_item(para)
list_level = get_paragraph_list_level(para) if is_list else 0
# 确定标题级别
if is_title:
heading_level = 1
elif is_heading:
heading_level = int(style.replace('Heading ', '')) + 1
else:
heading_level = None
# 检查段落中的每个运行，寻找并保存图像
for run in para.runs:
# 查找 w:drawing 标签中的图像
drawings = run.element.findall('.//w:drawing', namespaces={'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main'})
for drawing in drawings:
# 查找图像的关系 ID
blips = drawing.findall('.//a:blip', namespaces={'a': 'http://schemas.openxmlformats.org/drawingml/2006/main'})
for blip in blips:
rId = blip.get('{http://schemas.openxmlformats.org/officeDocument/2006/relationships}embed')
image_part = document.part.related_parts[rId]
image_bytes = image_part.blob # 获取图像数据
image_filename = f'{image_counter}.png'
image_path = os.path.join(images_dir, image_filename)
# 使用 PIL 保存图像为 PNG 格式
image = Image.open(BytesIO(image_bytes))
if image.mode in ('RGBA', 'P', 'LA'):
image = image.convert('RGB') # 将图像转换为 RGB 模式，以兼容 PNG 格式
image.save(image_path, 'PNG')
# 在 Markdown 中添加图像链接
markdown_content += f'\n\n'
image_counter += 1
# 根据段落类型格式化文本内容
if heading_level:
markdown_content += f'{"#" * heading_level} {text}\n\n' # 使用 Markdown 语法表示标题
elif is_list:
markdown_content += f'{" " * list_level}- {text}\n' # 使用缩进和 “-” 表示列表项
elif text:
markdown_content += f'{text}\n\n' # 普通段落直接添加文本
# 记录调试信息
LOG.debug(f"从 docx 文件解析的 markdown 内容:\n{markdown_content}")
return markdown_content
if __name__ == "__main__":
# 指定输入的 docx 文件路径
docx_filename = 'inputs/docx/multimodal_llm_overview.docx'
docx_basename = os.path.splitext(os.path.basename(docx_filename))[0]
# 生成 Markdown 内容
markdown_content = generate_markdown_from_docx(docx_filename)
# 保存 Markdown 内容到文件
with open(f'{docx_basename}.md', 'w', encoding='utf-8') as f:
f.write(markdown_content)
|