Convertire DOCX in Markdown con Python

Se lavori con dati di addestramento per IA, pipeline documentali o sistemi RAG, quasi certamente hai già avuto a che fare con file DOCX. I documenti Word sono ovunque — bozze di ricerca, report aziendali, contratti legali, manoscritti — ma elaborarli via codice è scomodo.

Questo articolo mostra come convertire DOCX in Markdown pulito con l'API REST di AnyMD da Python, includendo elaborazione asincrona in batch, gestione degli errori e paginazione per workflow su scala di produzione.

Perché convertire DOCX in Markdown?

DOCX è un formato binario (uno ZIP di file XML). Librerie come python-docx possono estrarre il testo, ma perdono la struttura: i titoli diventano semplici paragrafi, gli elenchi collassano in testo rientrato e le tabelle diventano rumore separato da tabulazioni. Markdown conserva tutto questo in un formato che ogni LLM, database vettoriale e generatore di siti statici può usare nativamente.

Conversione singola

Il caso più semplice — un singolo file 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 rileva automaticamente DOCX dall'estensione del file e restituisce GitHub-Flavored Markdown. Titoli, elenchi numerati, elenchi puntati, grassetto/corsivo, tabelle, immagini e collegamenti ipertestuali vengono tutti preservati — esattamente come li vedresti aprendo il documento in Word.

Conversione asincrona in batch con tentativi automatici

Quando hai 50 o 500 file DOCX, la conversione sequenziale è troppo lenta. Ecco un processore asincrono in batch con una corretta gestione degli errori:

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"))

Lo script usa un pool di sessioni con limite di connessioni (10 richieste simultanee per impostazione predefinita), riprova in caso di rate limit 429 ed errori transitori con backoff esponenziale e salva ogni risultato come un .md file.

Paginazione per grandi raccolte di documenti

Se recuperi documenti da un'API o da un bucket S3, potresti aver bisogno di un'elaborazione paginata. Ecco un pattern con generatore:

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")

Gestione di file DOCX di grandi dimensioni

AnyMD gestisce file DOCX fino a 50 MB con il piano a pagamento.

Cosa viene preservato

Funzionalità DOCX	Output Markdown
Titoli 1–6	# fino a ######
Grassetto / Corsivo	**bold** / *italic*
Elenchi numerati	1. item — annidamento corretto
Elenchi puntati	- item — annidamento corretto
Tabelle	Sintassi di tabella GFM con allineamento
Collegamenti ipertestuali	[text](url)
Immagini	
Blocchi di codice	Blocchi delimitati da ```
Citazioni a blocco	> quote

Confronto con python-docx

La libreria Python standard python-docx offre accesso di basso livello agli elementi interni di DOCX — paragrafi, run e stili. È potente per generare documenti via codice, ma per l'estrazione significa dover reimplementare ogni regola strutturale applicata dal renderer di Word:

• Titoli — bisogna mappare manualmente gli stili di paragrafo ai titoli Markdown
• Elenchi — richiede il parsing degli elementi numPr e il tracciamento della profondità dell'elenco
• Tabelle — estrazione cella per cella e riga per riga con formattazione GFM manuale
• Immagini — estrazione dei riferimenti rId e successiva decompressione dei file multimediali
• Revisioni — nessun supporto integrato

AnyMD fa tutto questo con una sola chiamata API. Un formato da imparare, un'integrazione da mantenere, un servizio da monitorare.

# 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"

Da DOCX a una pipeline RAG

Una volta convertiti i file DOCX in Markdown, il passo successivo è il chunking e la creazione di embedding per RAG. L'output di AnyMD è l'input ideale per le strategie di chunking semantico — i confini dei titoli, la struttura degli elenchi e le intestazioni delle tabelle vengono preservati, così i chunk rispettano la semantica del documento invece di tagliare i paragrafi a metà frase.

Per un confronto più approfondito degli approcci di chunking sull'output Markdown, consulta la nostra guida al chunking ricorsivo per caratteri.

Prezzi

Piano	Pagine/mese	Dimensione massima del file	Prezzo
Gratuito	100	10 MB	$0
Starter	500	25 MB	$19
Pro	5,000	50 MB	$99
Enterprise	Personalizzato	Personalizzato	Personalizzato

Una pagina DOCX tipica viene convertita in meno di 0,3 secondi.

Ottieni la tua chiave API gratuita — 100 pagine/mese, nessuna carta di credito richiesta.