"""
docx2md.py
概要:
Wordファイル（.docx）をMarkdown形式に変換するスクリプトです。
詳細説明:
このスクリプトは、Word文書からテキスト、画像、数式、テーブル、リスト、見出しなどのコンテンツを抽出し、
対応するMarkdown形式に変換します。数式はOMML（Office Math Markup Language）からLaTeX形式に変換され、
インライン数式は`$...$`、ディスプレイ数式は`$$\\n...\\n$$`として出力されます。
画像は指定されたディレクトリに保存され、Markdown内に相対パスでリンクされます。
関連リンク:
:doc:`docx2md_usage`
"""
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 ---
# XML名前空間の定義。OMML数式やDrawingML要素の解析に使用します。
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',
}
# Unicode記号をLaTeXのコマンドにマッピングするための辞書。
# 数式内で使用される記号の変換に利用されます。
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します。
詳細説明:
特定のUnicode区切り文字（例: 中括弧、角度括弧）を、LaTeXで正しく解釈されるエスケープシーケンスや
コマンド（例: `\{`, `\langle`）に変換します。
その他の一般的な区切り文字（`()`, `[]`, `|` など）はそのまま返します。
:param ch: str: 変換する区切り文字。
:param side: str: 区切り文字が左側 (`left`) または右側 (`right`) のどちらであるかを示します。
`\langle`, `\rangle` の選択に使用されます。
:returns: str: LaTeX形式に変換された区切り文字。
"""
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 ---
[ドキュメント]
def parse_omml_element(element: etree._Element) -> str:
"""
OMML (Office Math Markup Language) のXML要素を再帰的に解析し、LaTeX文字列に変換します。
詳細説明:
`lxml` ライブラリを使用してWord文書内の数式XML構造をトラバースし、
各OMMLタグ（`m:t`, `m:f`, `m:sSup`, `m:d`, `m:nary` など）を対応するLaTeX構文にマッピングします。
`SYMBOL_MAP` を用いて記号の変換も行います。
:param element: lxml.etree._Element: 解析対象のOMML XML要素。
:returns: str: 変換されたLaTeX文字列。
"""
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)
[ドキュメント]
def omml_to_latex(omath_para_element: etree._Element) -> str:
"""
段落要素（`<w:p>`）を受け取り、その中の最初の `m:oMath` 要素をLaTeXに変換します。
詳細説明:
与えられたXML段落要素を走査し、最初に見つかったOffice Math Markup Language (`m:oMath`) 要素を抽出します。
その数式要素を `parse_omml_element` 関数に渡し、対応するLaTeX文字列を生成します。
これにより、段落内に埋め込まれた数式がインラインまたはディスプレイ形式で表現されます。
:param omath_para_element: lxml.etree._Element: `m:oMath` 要素を含む可能性のあるXML段落要素。
:returns: str: 変換されたLaTeX文字列。数式が見つからない場合は空文字列。
"""
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 ""
[ドキュメント]
def is_inline_math(item) -> bool:
"""
指定されたアイテムがインライン数式（`m:oMath`）であるかチェックします。
詳細説明:
この関数は、`python-docx` の `Run` オブジェクトまたは `lxml` の要素のいずれかを受け取り、
その内部に `m:oMath` 要素が含まれているかを判断します。
これにより、テキストコンテンツと数式コンテンツを適切に区別して処理できます。
:param item: docx.text.run.Run | lxml.etree._Element: チェック対象のアイテム。
:returns: bool: アイテムがインライン数式を含む場合はTrue、そうでない場合はFalse。
"""
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
[ドキュメント]
def paragraph_contains_math(para: Paragraph) -> bool:
"""
段落要素に数式（`m:oMath`）が含まれているかチェックします。
詳細説明:
Wordの段落オブジェクト（`Paragraph`）を内部のXML要素として走査し、
Office Math Markup Language (`m:oMath`) タグが存在するかを調べます。
これにより、段落が数式のみで構成されているか、または数式が混在しているかを判断できます。
:param para: docx.text.paragraph.Paragraph: チェック対象の段落オブジェクト。
:returns: bool: 段落に数式が含まれる場合はTrue、そうでない場合はFalse。
"""
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
[ドキュメント]
def iter_runs_and_omath_in_order(para: Paragraph):
"""
段落内で、XMLの出現順に `<w:r>` 要素は `python-docx` の `Run` オブジェクトとして、
`<m:oMath>` 要素は `lxml` の要素のまま返すジェネレータです。
詳細説明:
Word文書の段落はテキスト（`Run`）と数式（`oMath`）が混在していることがあります。
このジェネレータは、これらの要素をWord内部のXML構造での出現順序に従って提供することで、
元の文書のコンテンツフローを維持したまま処理を可能にします。
:param para: docx.text.paragraph.Paragraph: 処理対象の段落オブジェクト。
:yields: docx.text.run.Run | lxml.etree._Element: `Run` オブジェクトまたは `lxml` の数式要素。
"""
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 ---
[ドキュメント]
def process_runs_to_markdown(items) -> str:
"""
`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文字列を返します。
詳細説明:
与えられた要素のリストを、スタイル（太字、斜体、上付き、下付き）とコンテンツタイプ（テキスト、数式）に基づいてグループ化し、
それぞれのグループを適切なMarkdown形式に変換して結合します。
数式は `parse_omml_element` を用いてLaTeXに変換され、`$` または `$$` で囲まれます。
Pandoc互換の上付き・下付き記法 (`^text^`, `~text~`) もサポートします。
:param items: list[docx.text.run.Run | lxml.etree._Element]: `Run` オブジェクトと `lxml` 数式要素のリスト。
:returns: str: 結合されたMarkdown形式の文字列。
"""
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 <m:oMath>
if hasattr(item, 'tag') and item.tag == qualified_tag_name:
omath_element = item
# Run の内部に <m:oMath>
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
[ドキュメント]
def save_image_from_run(run, doc: Document, media_dir: str) -> str | None:
"""
`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します。
画像のMarkdownタグを返します。
詳細説明:
Word文書内の`Run`要素に含まれる埋め込み画像 (`<a:blip>`) を特定し、
関連する画像データを抽出し、バイナリファイルとして `media_dir` に保存します。
保存された画像への相対パスを含むMarkdown形式の画像タグ (``) を生成します。
:param run: docx.text.run.Run: 画像を含む可能性のある`Run`オブジェクト。
:param doc: docx.document.Document: 親となるDocumentオブジェクト。画像パーツの参照に使用されます。
:param media_dir: str: 画像を保存するディレクトリのパス。
:returns: str | None: 画像のMarkdownタグ。画像が見つからない、または保存に失敗した場合はNone。
"""
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""
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
[ドキュメント]
def handle_paragraph(para: Paragraph, doc: Document, media_dir: str, list_counters: dict) -> str:
"""
単一の段落を処理し、Markdown文字列を返します。
詳細説明:
段落の内容（画像、ブロック数式、見出し、リスト、通常テキスト）を識別し、
それぞれに対応するMarkdown形式に変換します。
- 画像段落: `save_image_from_run` を使用して画像を保存し、Markdownタグを生成。
- ブロック数式: `omml_to_latex` を使用してLaTeXに変換し、`$$...$$` で囲む。
- 見出し: 段落スタイルに基づいて `#` の数を決定。
- リスト: `numPr` 要素を解析し、リストカウンター (`list_counters`) を管理して番号付き・箇条書きリストを生成。
- 通常テキスト: `process_runs_to_markdown` を使用してテキストとインライン数式の混在を処理。
:param para: docx.text.paragraph.Paragraph: 処理対象の段落オブジェクト。
:param doc: docx.document.Document: 親となるDocumentオブジェクト。画像抽出に使用されます。
:param media_dir: str: 画像を保存するディレクトリのパス。
:param list_counters: dict: リストの階層レベルごとのカウンターを保持する辞書。
:returns: str: 変換されたMarkdown文字列。
"""
# --- 1. 画像段落の処理 ---
drawing_qname = f'{{{ns["w"]}}}drawing'
if next(para._element.iterdescendants(drawing_qname), None) is not None:
for run in para.runs:
image_md = save_image_from_run(run, doc, media_dir)
if image_md:
return image_md + "\n\n" # 画像を見つけたらその段落は終了
# --- 2. ブロック数式 (ディスプレイ数式) の処理 ---
math_para_qname = f'{{{ns["m"]}}}oMathPara'
if next(para._element.iterdescendants(math_para_qname), None) is not None:
latex_formula = omml_to_latex(para._element)
if latex_formula:
return f"$$\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"
[ドキュメント]
def get_formatted_cell_text(cell: docx.table._Cell) -> str:
"""
テーブルのセル内のテキストを、書式を保持したMarkdown文字列として取得します。
セル内の改行は `<br>` で処理します。
詳細説明:
Wordのテーブルセルは複数の段落を含むことができます。
この関数は、セル内の各段落を `process_runs_to_markdown` を使用してMarkdownに変換し、
段落間の改行をMarkdownの `<br>` タグで表現することで、セル内のレイアウトを保持します。
:param cell: docx.table._Cell: 処理対象のテーブルセルオブジェクト。
:returns: str: セル内のコンテンツをMarkdown形式で表現した文字列。
"""
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 "<br>".join(cell_md_parts).strip()
[ドキュメント]
def handle_table(table: Table) -> str:
"""
テーブルをMarkdown形式に変換します。
詳細説明:
Wordのテーブルオブジェクトを受け取り、Markdownのテーブル記法に変換します。
最初の行はヘッダーとして扱い、その下に区切り線 (`---`) を挿入します。
各セル内のコンテンツは `get_formatted_cell_text` を使用して、
書式とセル内改行を保持したMarkdownとして取得されます。
:param table: docx.table.Table: 処理対象のテーブルオブジェクト。
:returns: str: 変換されたMarkdown形式のテーブル文字列。
"""
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"
[ドキュメント]
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です。
詳細説明:
指定された入力DOCXファイルを読み込み、その内容を走査してMarkdownに変換します。
段落とテーブルはそれぞれ `handle_paragraph` と `handle_table` 関数で処理されます。
画像は `imagedir` で指定されたディレクトリに保存され、Markdown内から相対パスで参照されます。
`python-docx` のバージョンによっては `iter_inner_content` が存在しない場合があるため、
その場合はフォールバックとして `doc.element.body` を直接処理します。
:param infile_path: str: 入力Wordファイル（.docx）のパス。
:param outfile_path: str: 出力Markdownファイル（.md）のパス。
:param imagedir: str: 画像を保存するディレクトリの名前。出力Markdownファイルからの相対パス。
:returns: None
"""
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)
[ドキュメント]
def main():
"""
コマンドライン引数を処理し、DOCXからMarkdownへの変換を実行します。
詳細説明:
`argparse` モジュールを使用して、入力ファイル、出力ファイル、画像保存ディレクトリ、
および終了時の一時停止オプションをコマンドライン引数から受け取ります。
これらの引数に基づいて `convert` 関数を呼び出し、変換処理を開始します。
:returns: None
"""
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()