DOCX in Markdown mit Python konvertieren

Wenn du mit KI-Trainingsdaten, Dokument-Pipelines oder RAG-Systemen arbeitest, hattest du mit großer Wahrscheinlichkeit schon mit DOCX-Dateien zu tun. Word-Dokumente sind überall — Forschungsentwürfe, Geschäftsberichte, Rechtsverträge, Manuskripte — doch programmgesteuert lassen sie sich nur mühsam verarbeiten.

Dieser Beitrag zeigt, wie du DOCX mit der REST-API von AnyMD aus Python in sauberes Markdown konvertierst — einschließlich asynchroner Stapelverarbeitung, Fehlerbehandlung und Paginierung für Workflows im Produktionsmaßstab.

Warum Markdown aus DOCX?

DOCX ist ein Binärformat (ein ZIP-Archiv aus XML-Dateien). Bibliotheken wie python-docx können Text extrahieren, verlieren dabei aber die Struktur: Überschriften werden zu einfachen Absätzen, Listen zu eingerücktem Text und Tabellen zu tabulatorgetrenntem Durcheinander. Markdown bewahrt all das in einem Format, das jedes LLM, jede Vektordatenbank und jeder Static-Site-Generator nativ verarbeiten kann.

Einmalige Konvertierung

Der einfachste Fall — eine einzelne DOCX-Datei:

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 erkennt DOCX automatisch anhand der Dateiendung und gibt GitHub-Flavored Markdown zurück. Überschriften, nummerierte Listen, Aufzählungen, Fett/Kursiv, Tabellen, Bilder und Hyperlinks bleiben vollständig erhalten — genau so, wie du sie beim Öffnen des Dokuments in Word sehen würdest.

Asynchrone Stapelkonvertierung mit Wiederholungsversuchen

Bei 50 oder 500 DOCX-Dateien ist eine sequenzielle Konvertierung zu langsam. Hier ist ein asynchroner Batch-Prozessor mit sauberer Fehlerbehandlung:

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"))

Das Skript verwendet einen Verbindungspool mit Begrenzung (standardmäßig 10 gleichzeitige Anfragen), wiederholt Anfragen bei 429-Rate-Limits und vorübergehenden Fehlern mit exponentiellem Backoff und schreibt jedes Ergebnis als .md Datei.

Paginierung für große Dokumentbibliotheken

Wenn du Dokumente aus einer API oder einem S3-Bucket abrufst, benötigst du möglicherweise paginierte Verarbeitung. Hier ist ein Generator-Muster:

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")

Umgang mit großen DOCX-Dateien

AnyMD verarbeitet im kostenpflichtigen Tarif DOCX-Dateien bis 50 MB.

Was erhalten bleibt

DOCX-Funktion	Markdown-Ausgabe
Überschrift 1–6	# bis ######
Fett / Kursiv	**bold** / *italic*
Nummerierte Listen	1. item — korrekte Verschachtelung
Aufzählungslisten	- item — korrekte Verschachtelung
Tabellen	GFM-Tabellensyntax mit Ausrichtung
Hyperlinks	[text](url)
Bilder	
Codeblöcke	Mit ``` umgrenzte Blöcke
Blockzitate	> quote

Vergleich mit python-docx

Die Standard-Python-Bibliothek python-docx gibt dir Low-Level-Zugriff auf die internen DOCX-Strukturen — Absätze, Runs und Stile. Das ist leistungsfähig für die programmgesteuerte Dokumenterzeugung, bedeutet bei der Extraktion aber, dass du jede Strukturregel des Word-Renderers selbst neu implementieren musst:

• Überschriften — Absatzstile müssen manuell auf Markdown-Überschriften abgebildet werden
• Listen — erfordert das Parsen von numPr -Elementen und das Nachverfolgen der Listentiefe
• Tabellen — zellen- und zeilenweise Extraktion mit manueller GFM-Formatierung
• Bilder — Extraktion von rId -Referenzen und anschließendes Entpacken der Mediendateien
• Änderungsverfolgung — keine integrierte Unterstützung

AnyMD erledigt all das mit einem einzigen API-Aufruf. Ein Format zum Lernen, eine Integration zum Pflegen, ein Dienst zum Überwachen.

# 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"

Von DOCX zur RAG-Pipeline

Sobald deine DOCX-Dateien in Markdown vorliegen, folgen Chunking und Embedding für RAG. Die AnyMD-Ausgabe ist die ideale Eingabe für semantische Chunking-Strategien — Überschriftengrenzen, Listenstruktur und Tabellenköpfe bleiben erhalten, sodass deine Chunks die Dokumentsemantik respektieren, statt Absätze mitten im Satz zu zerschneiden.

Einen tieferen Vergleich von Chunking-Ansätzen für Markdown-Ausgabe findest du in unserem Leitfaden zum rekursiven Character-Chunking.

Preise

Tarif	Seiten/Monat	Maximale Dateigröße	Preis
Kostenlos	100	10 MB	$0
Starter	500	25 MB	$19
Pro	5,000	50 MB	$99
Enterprise	Individuell	Individuell	Individuell

Eine typische DOCX-Seite wird in weniger als 0,3 Sekunden konvertiert.

Hol dir deinen kostenlosen API-Schlüssel — 100 Seiten/Monat, keine Kreditkarte erforderlich.