import os import sys import argparse import docx from docx.document import Document from docx.text.paragraph import Paragraph from docx.table import Table from itertools import groupby try: from lxml import etree except ImportError: print("\n[エラー] 必要なライブラリ 'lxml' が見つかりません。", file=sys.stderr) print("このスクリプトを実行するには、まずライブラリをインストールしてください。", file=sys.stderr) sys.exit(f"\nコマンドプロンプトやターミナルで次のコマンドを実行してください:\npip install lxml") # --- 数式変換のためのグローバル変数と関数 --- ns = { 'm': 'http://schemas.openxmlformats.org/officeDocument/2006/math', 'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main', 'r': 'http://schemas.openxmlformats.org/officeDocument/2006/relationships', 'wp': 'http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing', 'a': 'http://schemas.openxmlformats.org/drawingml/2006/main', } SYMBOL_MAP = { '−': '-', '…': '\\dots', '≤': '\\le', '≥': '\\ge', '≠': '\\ne', '≈': '\\approx', '±': '\\pm', '×': '\\times', '÷': '\\div', '⋅': '\\cdot', '∘': '\\circ', 'α': '\\alpha', 'β': '\\beta', 'γ': '\\gamma', 'δ': '\\delta', 'ε': '\\epsilon', 'ζ': '\\zeta', 'η': '\\eta', 'θ': '\\theta', 'ι': '\\iota', 'κ': '\\kappa', 'λ': '\\lambda', 'μ': '\\mu', 'ν': '\\nu', 'ξ': '\\xi', 'ο': 'o', 'π': '\\pi', 'ρ': '\\rho', 'σ': '\\sigma', 'τ': '\\tau', 'υ': '\\upsilon', 'φ': '\\phi', 'χ': '\\chi', 'ψ': '\\psi', 'ω': '\\omega', 'Α': 'A', 'Β': 'B', 'Γ': '\\Gamma', 'Δ': '\\Delta', 'Ε': 'E', 'Ζ': 'Z', 'Η': 'H', 'Θ': '\\Theta', 'Ι': 'I', 'Κ': 'K', 'Λ': '\\Lambda', 'Μ': 'M', 'Ν': 'N', 'Ξ': '\\Xi', 'Ο': 'O', 'Π': '\\Pi', 'Ρ': 'P', 'Τ': 'T', 'Υ': '\\Upsilon', 'Φ': '\\Phi', 'Χ': 'X', 'Ψ': '\\Psi', 'Ω': '\\Omega', '∫': '\\int', '∮': '\\oint', '∂': '\\partial', '∇': '\\nabla', '∞': '\\infty', '∀': '\\forall', '∃': '\\exists', '∅': '\\emptyset', '∈': '\\in', '∉': '\\notin', '⊂': '\\subset', '⊃': '\\supset', '∩': '\\cap', '∪': '\\cup', '→': '\\rightarrow', '←': '\\leftarrow', '⇒': '\\Rightarrow', '⇐': '\\Leftarrow', '↔': '\\leftrightarrow', '⇔': '\\Leftrightarrow', '↦': '\\mapsto', '∑': '\\sum', 'Σ': '\\sum', } def _latex_delimiter(ch: str, side: str = "left") -> str: """ \left と \right の直後に置く区切り文字を LaTeX に適したトークンへ変換する。 - {, } は \{, \} にエスケープ - 〈〉や⟨⟩は \langle, \rangle に変換 - ︵︶ 等が来た場合のフォールバックはそのまま返す side: "left" or "right"（\langle / \rangle の選択に使用） """ if not ch: return ch # 中括弧は必ずエスケープ if ch == '{': return r'\{' if ch == '}': return r'\}' # 角括弧（いろいろなユニコードが来ることがある） left_angles = {'⟨', '〈', '〈'} # U+27E8, U+2329, U+3008 right_angles = {'⟩', '〉', '〉'} # U+27E9, U+232A, U+3009 if ch in left_angles: return r'\langle' if side == 'left' else r'\langle' # left のみ想定だが念のため if ch in right_angles: return r'\rangle' if side == 'right' else r'\rangle' # そのほかは素のまま返す（(), [], | などはそのままでOK） return ch # --- OMML (数式) パーサー --- def parse_omml_element(element): """ OMML (Office Math Markup Language) のXML要素を再帰的に解析し、 LaTeX文字列に変換する。 """ if element is None: return "" tag = etree.QName(element).localname if tag == 't': text = element.text or '' # 関数名（sin, cos, ...）の m:nor 判定 is_function = False try: parent_r = element.getparent() if etree.QName(parent_r).localname == 'r': rPr = parent_r.find('m:rPr', ns) if rPr is not None and rPr.find('m:nor', ns) is not None: if text in ['sin', 'cos', 'tan', 'lim', 'log', 'ln', 'exp', 'sup', 'inf', 'max', 'min', 'deg']: is_function = True except AttributeError: pass if is_function: return f"\\{text} " else: if text in ['sin', 'cos', 'tan', 'lim', 'log', 'ln', 'exp', 'sup', 'inf', 'max', 'min', 'deg']: return f"\\{text} " result_parts = [] for i, char in enumerate(text): latex_char = SYMBOL_MAP.get(char, char) result_parts.append(latex_char) # \pi 直後に英字が続く場合のスペース if latex_char.startswith('\\') and len(latex_char) > 1 and latex_char[1].isalpha(): if (i + 1 < len(text)) and text[i + 1].isalpha(): result_parts.append(' ') return "".join(result_parts) if tag in ['r', 'e', 'num', 'den', 'sup', 'sub', 'base', 'oMath', 'oMathPara']: return "".join(parse_omml_element(child) for child in element) if tag == 'f': num = parse_omml_element(element.find('m:num', ns)) den = parse_omml_element(element.find('m:den', ns)) return f"\\frac{{{num}}}{{{den}}}" if tag == 'sSup': base = parse_omml_element(element.find('m:e', ns)) sup = parse_omml_element(element.find('m:sup', ns)) return f"{{{base}}}^{{{sup}}}" if tag == 'sSub': base = parse_omml_element(element.find('m:e', ns)) sub = parse_omml_element(element.find('m:sub', ns)) return f"{{{base}}}_{{{sub}}}" if tag == 'rad': base = parse_omml_element(element.find('m:e', ns)) return f"\\sqrt{{{base}}}" if tag == 'd': # デリミタ付きの括弧（OMML: m:d） content = "".join(parse_omml_element(child) for child in element.findall('m:e', ns)) dPr = element.find('m:dPr', ns) if dPr is not None: beg_char_elem = dPr.find('m:begChr', ns) end_char_elem = dPr.find('m:endChr', ns) beg_char = beg_char_elem.get('{http://schemas.openxmlformats.org/officeDocument/2006/math}val') if beg_char_elem is not None else '(' end_char = end_char_elem.get('{http://schemas.openxmlformats.org/officeDocument/2006/math}val') if end_char_elem is not None else ')' else: beg_char, end_char = '(', ')' # ★ Pandoc/texmath が通るように区切り文字を安全化 ★ lb = _latex_delimiter(beg_char, side="left") rb = _latex_delimiter(end_char, side="right") return f"\\left{lb} {content} \\right{rb}" if tag == 'nary': sub = parse_omml_element(element.find('m:sub', ns)) sup = parse_omml_element(element.find('m:sup', ns)) base = parse_omml_element(element.find('m:e', ns)) naryPr = element.find('m:naryPr', ns) char_elem = naryPr.find('m:chr', ns) if naryPr is not None else None char = char_elem.get('{http://schemas.openxmlformats.org/officeDocument/2006/math}val') if char_elem is not None else 'Σ' symbol_latex = SYMBOL_MAP.get(char, char) sub_latex = f"_{{{sub}}}" if sub else "" sup_latex = f"^{{{sup}}}" if sup else "" return f"{symbol_latex}{sub_latex}{sup_latex} {base}" return "".join(parse_omml_element(child) for child in element) def omml_to_latex(omath_para_element): """ 段落要素 () を受け取り、その中の最初の m:oMath 要素をLaTeXに変換する。 """ math_uri = ns.get('m', 'http://schemas.openxmlformats.org/officeDocument/2006/math') qualified_tag_name = '{%s}oMath' % math_uri omath_element = next(omath_para_element.iterdescendants(qualified_tag_name), None) if omath_element is not None: return parse_omml_element(omath_element) return "" def is_inline_math(item): """ item (Run または lxml要素) がインライン数式 (m:oMath) かチェックする。 """ math_uri = ns.get('m', 'http://schemas.openxmlformats.org/officeDocument/2006/math') qualified_tag_name = '{%s}oMath' % math_uri # lxml element の場合 if hasattr(item, 'tag'): if item.tag == qualified_tag_name: return True return next(item.iterdescendants(qualified_tag_name), None) is not None # python-docx Run の場合 if hasattr(item, '_element'): r = item._element if r.tag == qualified_tag_name: return True return next(r.iterdescendants(qualified_tag_name), None) is not None return False def paragraph_contains_math(para: Paragraph): """ 段落要素に数式 (m:oMath) が含まれているかチェックする。 """ math_uri = ns.get('m', 'http://schemas.openxmlformats.org/officeDocument/2006/math') qualified_tag_name = '{%s}oMath' % math_uri for _ in para._element.iterdescendants(qualified_tag_name): return True return False def iter_runs_and_omath_in_order(para: Paragraph): """ 段落内で、XMLの出現順に は python-docx の Run、 は lxml element のまま返すジェネレータ。 """ w_r = f'{{{ns["w"]}}}r' m_omath = f'{{{ns["m"]}}}oMath' runs = list(para.runs) i = 0 # 直下の子要素の順番をそのまま辿る for child in para._element.iterchildren(): if child.tag == w_r: if i < len(runs): yield runs[i] i += 1 elif child.tag == m_omath: yield child else: continue # --- メイン処理関数 --- def process_runs_to_markdown(items): """ Runオブジェクトとlxml要素(m:oMath)の混在リストを受け取り、Markdownを返す。 """ def get_item_key(item): is_math = is_inline_math(item) if is_math: return (None, None, None, None, True) else: # 非数式は Run を想定 is_bold = getattr(item, 'bold', False) is_italic = getattr(item, 'italic', False) is_superscript = False is_subscript = False if hasattr(item, 'font') and item.font is not None: is_superscript = getattr(item.font, 'superscript', False) is_subscript = getattr(item.font, 'subscript', False) return (is_bold, is_italic, is_superscript, is_subscript, False) line = "" for (is_bold, is_italic, is_superscript, is_subscript, is_math), items_group in groupby(items, key=get_item_key): styled_text = "" current_items = list(items_group) if is_math: math_uri = ns.get('m', 'http://schemas.openxmlformats.org/officeDocument/2006/math') qualified_tag_name = '{%s}oMath' % math_uri for item in current_items: omath_element = None # lxml の if hasattr(item, 'tag') and item.tag == qualified_tag_name: omath_element = item # Run の内部に elif hasattr(item, '_element'): omath_element = next(item._element.iterdescendants(qualified_tag_name), None) if omath_element is not None: latex_formula = parse_omml_element(omath_element) styled_text += f"${latex_formula}$" else: text_chunk = "".join(r.text for r in current_items if hasattr(r, 'text') and r.text) if not text_chunk: continue styled_text = text_chunk # 太字・斜体 if is_bold and is_italic: styled_text = f"***{styled_text}***" elif is_bold: styled_text = f"**{styled_text}**" elif is_italic: styled_text = f"*{styled_text}*" # 上付き・下付き（Pandoc） if is_superscript: if styled_text.strip(): styled_text = f"^{styled_text}^" elif is_subscript: if styled_text.strip(): styled_text = f"~{styled_text}~" line += styled_text return line def save_image_from_run(run, doc, media_dir): """ run要素から画像を抽出し、指定されたディレクトリに保存する。 画像のMarkdownタグを返す。 """ try: blip_qname = f'{{{ns["a"]}}}blip' blip = next(run._element.iterdescendants(blip_qname), None) if blip is None: return None rId = blip.get(f'{{{ns["r"]}}}embed') if not rId: return None image_part = doc.part.related_parts[rId] image_filename = os.path.basename(image_part.partname) image_path = os.path.join(media_dir, image_filename) with open(image_path, "wb") as f: f.write(image_part.blob) relative_path = os.path.join(os.path.basename(media_dir), image_filename).replace("\\", "/") return f"![{image_filename}]({relative_path})" except (IndexError, KeyError, AttributeError, IOError) as e: print(f"[警告] 画像の抽出に失敗しました: {e}", file=sys.stderr) return None def handle_paragraph(para: Paragraph, doc: Document, media_dir: str, list_counters: dict): """ 単一の段落を処理し、Markdown文字列を返す。 画像、ブロック数式、見出し、リスト、通常テキストを処理する。 """ # --- 1. 画像段落の処理 --- drawing_qname = f'{{{ns["w"]}}}drawing' if next(para._element.iterdescendants(drawing_qname), None) is not None: for run in para.runs: image_md = save_image_from_run(run, doc, media_dir) if image_md: return image_md + "\n\n" # 画像を見つけたらその段落は終了 # --- 2. ブロック数式 (ディスプレイ数式) の処理 --- math_para_qname = f'{{{ns["m"]}}}oMathPara' if next(para._element.iterdescendants(math_para_qname), None) is not None: latex_formula = omml_to_latex(para._element) if latex_formula: return f"$$\n{latex_formula.strip()}\n$$\n\n" # --- 3. 見出しの処理 --- style_name = para.style.name.lower() if para.style and para.style.name else "" if 'heading 1' in style_name or '見出し 1' in style_name: return f"# {process_runs_to_markdown(list(iter_runs_and_omath_in_order(para)))}\n\n" if 'heading 2' in style_name or '見出し 2' in style_name: return f"## {process_runs_to_markdown(list(iter_runs_and_omath_in_order(para)))}\n\n" if 'heading 3' in style_name or '見出し 3' in style_name: return f"### {process_runs_to_markdown(list(iter_runs_and_omath_in_order(para)))}\n\n" if 'heading 4' in style_name or '見出し 4' in style_name: return f"#### {process_runs_to_markdown(list(iter_runs_and_omath_in_order(para)))}\n\n" # --- 4. リストの処理 --- prefix = "" pPr = para._p.pPr if pPr is not None and pPr.numPr is not None and pPr.numPr.numId is not None: num_id, ilvl = pPr.numPr.numId.val, (pPr.numPr.ilvl.val if pPr.numPr.ilvl is not None else 0) if num_id not in list_counters: list_counters[num_id] = {} if ilvl not in list_counters[num_id]: list_counters[num_id][ilvl] = 0 list_counters[num_id][ilvl] += 1 # 下位レベルのカウンターをリセット for higher_ilvl in range(ilvl + 1, 10): if higher_ilvl in list_counters.get(num_id, {}): list_counters[num_id][higher_ilvl] = 0 prefix = " " * ilvl + f"{list_counters[num_id][ilvl]}. " elif 'list paragraph' in style_name or '箇条書き' in style_name: ilvl = pPr.numPr.ilvl.val if pPr is not None and pPr.numPr is not None and pPr.numPr.ilvl is not None else 0 prefix = " " * ilvl + "* " # --- 5. 通常の段落テキストの処理 --- mixed_items = list(iter_runs_and_omath_in_order(para)) if not mixed_items: return "\n" line = process_runs_to_markdown(mixed_items) if not line.strip(): return "\n" return prefix + line + "\n\n" def get_formatted_cell_text(cell: docx.table._Cell): """ テーブルのセル内のテキストを、書式を保持したMarkdown文字列として取得する。 セル内の改行は
で処理する。 """ cell_md_parts = [] for para in cell.paragraphs: line = process_runs_to_markdown(list(iter_runs_and_omath_in_order(para))) cell_md_parts.append(line) return "
".join(cell_md_parts).strip() def handle_table(table: Table): """ テーブルをMarkdown形式に変換する。 セル内の書式（太字、数式など）も処理する。 """ markdown = [] header_cells = [get_formatted_cell_text(cell) for cell in table.rows[0].cells] markdown.append("| " + " | ".join(header_cells) + " |") markdown.append("| " + " | ".join(["---"] * len(header_cells)) + " |") for row in table.rows[1:]: data_cells = [get_formatted_cell_text(cell) for cell in row.cells] markdown.append("| " + " | ".join(data_cells) + " |") return "\n".join(markdown) + "\n\n" def convert(infile_path: str, outfile_path: str, imagedir: str): """ DOCXファイルをMarkdownに変換するメイン関数。 """ if not os.path.exists(infile_path): print(f"[エラー] 指定されたファイルが見つかりません: {infile_path}", file=sys.stderr) return # 画像保存ディレクトリを作成 (出力MDファイルからの相対パスを想定) if not os.path.isabs(imagedir): md_file_dir = os.path.dirname(outfile_path) if md_file_dir: media_save_dir = os.path.join(md_file_dir, imagedir) else: media_save_dir = imagedir else: media_save_dir = imagedir os.makedirs(media_save_dir, exist_ok=True) print(f"画像保存ディレクトリ: {media_save_dir}") try: doc = docx.Document(infile_path) markdown_content = [] list_counters = {} if not hasattr(doc, 'iter_inner_content'): print("[警告] 'iter_inner_content' が見つかりません。古い python-docx バージョンの可能性があります。", file=sys.stderr) print("[警告] 段落と表の順序が正しくない場合があります。", file=sys.stderr) body_elements = doc.element.body else: body_elements = doc.iter_inner_content() for block in body_elements: if isinstance(block, Paragraph): markdown_content.append(handle_paragraph(block, doc, media_save_dir, list_counters)) elif isinstance(block, Table): markdown_content.append(handle_table(block)) with open(outfile_path, 'w', encoding='utf-8') as md_file: md_file.write("".join(markdown_content)) print(f"\n変換が正常に完了しました。出力ファイル: {outfile_path}") # 保存した画像があるかチェック try: if any(os.scandir(media_save_dir)): print(f"画像は {media_save_dir} に保存されました。") else: os.rmdir(media_save_dir) except OSError: pass except Exception as e: print(f"\n[致命的エラー] 変換中にエラーが発生しました: {e}", file=sys.stderr) import traceback traceback.print_exc() sys.exit(1) def main(): """ コマンドライン引数を処理し、変換を実行します。 """ parser = argparse.ArgumentParser( description='Wordファイル(.docx)からテキスト、数式、図を抽出し、Markdownに出力します。', formatter_class=argparse.RawTextHelpFormatter ) parser.add_argument("-i", "--input", required=True, help="入力するWordファイル名 (例: report.docx)") parser.add_argument("-o", "--output", required=True, help="出力するMarkdownファイル名 (例: output.md)") parser.add_argument("--imagedir", default="images", help=("画像ファイルを保存するディレクトリ名。\n" "出力MDファイルからの相対パスとして扱われます。\n" "(デフォルト: images)")) parser.add_argument("--pause", type=int, default=0, help="終了時にENTERキー入力を要求する場合、0以外を指定 (デフォルト: 0)") args = parser.parse_args() convert(args.input, args.output, args.imagedir) if args.pause != 0: input("\n処理が完了しました。Enterキーを押すと終了します...") if __name__ == "__main__": main()