Převod DOCX do Markdownu s Pythonem

Pokud pracujete s trénovacími daty pro AI, dokumentovými pipeline nebo RAG systémy, téměř jistě jste se už setkali se soubory DOCX. Dokumenty Word jsou všude — výzkumné návrhy, firemní zprávy, právní smlouvy, rukopisy — ale programově se zpracovávají obtížně.

Tento článek ukazuje, jak z Pythonu převést DOCX do čistého Markdownu pomocí REST API AnyMD, včetně asynchronního dávkového zpracování, ošetření chyb a stránkování pro produkční workflow.

Proč převádět DOCX do Markdownu?

DOCX je binární formát (ZIP obsahující XML soubory). Knihovny jako python-docx dokážou extrahovat text, ale ztrácejí strukturu: nadpisy se změní na obyčejné odstavce, seznamy se rozpadnou na odsazený text a tabulky na změť oddělenou tabulátory. Markdown to vše zachovává ve formátu, který dokáže nativně zpracovat každý LLM, vektorová databáze i generátor statických webů.

Jednorázová konverze

Nejjednodušší případ — jeden soubor DOCX:

import requests

url = "https://anymd.net/api/convert"
headers = {"Authorization": "Bearer your-api-key"}

with open("report.docx", "rb") as f:
    resp = requests.post(url, headers=headers, files={"file": ("report.docx", f)})

if resp.ok:
    markdown = resp.text
    print(f"Got {len(markdown)} chars of Markdown")
else:
    print(f"Error {resp.status_code}: {resp.text}")

AnyMD automaticky rozpozná DOCX podle přípony souboru a vrátí GitHub-Flavored Markdown. Nadpisy, číslované seznamy, odrážky, tučné/kurzíva, tabulky, obrázky i hypertextové odkazy zůstanou zachovány — přesně tak, jak byste je viděli po otevření dokumentu ve Wordu.

Asynchronní dávková konverze s opakováním

Když máte 50 nebo 500 souborů DOCX, sekvenční konverze je příliš pomalá. Zde je asynchronní dávkový procesor se správným ošetřením chyb:

import asyncio
import aiohttp
from pathlib import Path

API_URL = "https://anymd.net/api/convert"
HEADERS = {"Authorization": "Bearer your-api-key"}

async def convert_one(session: aiohttp.ClientSession, path: Path, out_dir: Path) -> str:
    for attempt in range(3):
        try:
            data = aiohttp.FormData()
            data.add_field("file", path.read_bytes(), filename=path.name)
            async with session.post(API_URL, headers=HEADERS, data=data) as resp:
                if resp.status == 429:
                    wait = int(resp.headers.get("Retry-After", 5))
                    await asyncio.sleep(wait)
                    continue
                if resp.ok:
                    md = await resp.text()
                    out_path = out_dir / f"{path.stem}.md"
                    out_path.write_text(md)
                    return f"✓ {path.name}"
                return f"✗ {path.name} ({resp.status})"
        except (aiohttp.ClientError, asyncio.TimeoutError) as e:
            if attempt == 2:
                return f"✗ {path.name} — {e}"
            await asyncio.sleep(1.5 ** attempt)

async def batch_convert(docx_dir: str, out_dir: str, concurrency: int = 10):
    docx_files = list(Path(docx_dir).glob("*.docx"))
    out_path = Path(out_dir)
    out_path.mkdir(exist_ok=True)

    connector = aiohttp.TCPConnector(limit=concurrency)
    async with aiohttp.ClientSession(connector=connector) as session:
        tasks = [convert_one(session, p, out_path) for p in docx_files]
        results = await asyncio.gather(*tasks)

    ok = sum(1 for r in results if r.startswith("✓"))
    print(f"{ok}/{len(results)} converted — see {out_dir}/")

asyncio.run(batch_convert("docx_input", "markdown_output"))

Skript používá pool relací s omezeným počtem spojení (ve výchozím nastavení 10 souběžných požadavků), opakuje požadavky při rate limitu 429 a přechodných chybách s exponenciálním backoffem a každý výsledek ukládá jako .md soubor.

Stránkování pro velké knihovny dokumentů

Pokud dokumenty načítáte z API nebo S3 bucketu, můžete potřebovat stránkované zpracování. Zde je vzor s generátorem:

import requests
from pathlib import Path
from typing import Generator

def document_batches(doc_dir: str, batch_size: int = 25) -> Generator[list[Path], None, None]:
    files = sorted(Path(doc_dir).glob("*.docx"))
    for i in range(0, len(files), batch_size):
        yield files[i : i + batch_size]

def convert_batch(batch: list[Path], api_key: str) -> list[tuple[str, bool]]:
    results = []
    with requests.Session() as sess:
        sess.headers.update({"Authorization": f"Bearer {api_key}"})
        for path in batch:
            with open(path, "rb") as f:
                resp = sess.post("https://anymd.net/api/convert", files={"file": (path.name, f)})
            if resp.ok:
                out = path.with_suffix(".md")
                out.write_text(resp.text)
                results.append((path.name, True))
            else:
                results.append((path.name, False))
    return results

# Process 10,000 documents in batches
total, ok = 0, 0
for batch in document_batches("archive", batch_size=25):
    results = convert_batch(batch, "your-api-key")
    for name, success in results:
        total += 1
        if success:
            ok += 1
    print(f"Progress: {ok}/{total}")

print(f"Done: {ok}/{total} documents converted")

Práce s velkými soubory DOCX

AnyMD v placeném tarifu podporuje soubory DOCX až do 50 MB.

Co se zachová

Funkce DOCX	Výstup Markdown
Nadpisy 1–6	# až po ######
Tučné / Kurzíva	**bold** / *italic*
Číslované seznamy	1. item — správné vnoření
Odrážkové seznamy	- item — správné vnoření
Tabulky	Syntaxe tabulek GFM se zarovnáním
Hypertextové odkazy	[text](url)
Obrázky	
Bloky kódu	Bloky ohraničené ```
Blokové citace	> quote

Porovnání s python-docx

Standardní knihovna Pythonu python-docx poskytuje nízkoúrovňový přístup k interním strukturám DOCX — odstavcům, runům a stylům. To je výkonné při programovém generování dokumentů, ale při extrakci to znamená, že musíte znovu implementovat každé strukturální pravidlo, které používá renderer Wordu:

• Nadpisy — styly odstavců je nutné ručně mapovat na nadpisy Markdown
• Seznamy — vyžadují parsování prvků numPr a sledování úrovně vnoření seznamu
• Tabulky — extrakce buňku po buňce a řádek po řádku s ručním formátováním GFM
• Obrázky — extrakce referencí rId a následné rozbalení mediálních souborů
• Sledování změn — bez vestavěné podpory

AnyMD to vše zvládne jediným voláním API. Jeden formát, který se naučíte, jedna integrace, kterou udržujete, jedna služba, kterou sledujete.

# python-docx approach — ~150 lines to get passable Markdown
from docx import Document
import re

doc = Document("report.docx")
output = []
for para in doc.paragraphs:
    if para.style.name.startswith("Heading"):
        level = para.style.name[-1]
        output.append(f"{'#' * int(level)} {para.text}")
    else:
        output.append(para.text)

# Compare: AnyMD — 6 lines, no edge cases
# curl https://anymd.net/api/convert -H "Authorization: Bearer ***" -F "file=@report.docx"

Od DOCX k RAG pipeline

Jakmile jsou soubory DOCX v Markdownu, dalším krokem je chunkování a embedding pro RAG. Výstup AnyMD je ideálním vstupem pro strategie sémantického chunkování — hranice nadpisů, struktura seznamů a záhlaví tabulek zůstávají zachovány, takže chunky respektují sémantiku dokumentu místo toho, aby rozsekávaly odstavce uprostřed věty.

Podrobnější porovnání přístupů k chunkování výstupu Markdown najdete v našem průvodci rekurzivním chunkováním podle znaků.

Ceny

Tarif	Stránek/měsíc	Maximální velikost souboru	Cena
Zdarma	100	10 MB	$0
Starter	500	25 MB	$19
Pro	5,000	50 MB	$99
Enterprise	Na míru	Na míru	Na míru

Typická stránka DOCX se převede za méně než 0,3 sekundy.

Získejte bezplatný API klíč — 100 stránek/měsíc, bez platební karty.