Konverter DOCX til Markdown med Python

Hvis du jobber med AI-treningsdata, dokumentpipelines eller RAG-systemer, har du nesten helt sikkert hatt med DOCX-filer å gjøre. Word-dokumenter finnes overalt — forskningsutkast, forretningsrapporter, juridiske kontrakter, manuskripter — men de er tungvinte å behandle programmatisk.

Dette innlegget viser hvordan du konverterer DOCX til ren Markdown med AnyMDs REST API fra Python, med asynkron batchbehandling, feilhåndtering og paginering for arbeidsflyter i produksjonsskala.

Hvorfor Markdown fra DOCX?

DOCX er et binært format (en ZIP med XML-filer). Biblioteker som python-docx kan hente ut tekst, men de mister strukturen: overskrifter blir vanlige avsnitt, lister kollapser til innrykket tekst, og tabeller blir tabulatorseparert støy. Markdown bevarer alt dette i et format som enhver LLM, vektordatabase og statisk nettstedsgenerator kan bruke direkte.

Engangskonvertering

Det enkleste tilfellet — én DOCX-fil:

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 oppdager automatisk DOCX fra filendelsen og returnerer GitHub-Flavored Markdown. Overskrifter, nummererte lister, punktlister, fet/kursiv, tabeller, bilder og hyperlenker bevares — akkurat slik du ville sett dem om du åpnet dokumentet i Word.

Asynkron batchkonvertering med nye forsøk

Når du har 50 eller 500 DOCX-filer, er sekvensiell konvertering for treg. Her er en asynkron batchprosessor med god feilhåndtering:

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"))

Skriptet bruker en øktpool med begrenset antall tilkoblinger (10 samtidige forespørsler som standard), prøver på nytt ved 429-ratebegrensning og midlertidige feil med eksponentiell backoff og skriver hvert resultat som en .md fil.

Paginering for store dokumentbiblioteker

Hvis du henter dokumenter fra et API eller en S3-bucket, kan du trenge paginert behandling. Her er et generatormønster:

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")

Håndtering av store DOCX-filer

AnyMD håndterer DOCX-filer på opptil 50 MB på den betalte planen.

Hva som bevares

DOCX-funksjon	Markdown-resultat
Overskrift 1–6	# til ######
Fet / Kursiv	**bold** / *italic*
Nummererte lister	1. item — riktig nesting
Punktlister	- item — riktig nesting
Tabeller	GFM-tabellsyntaks med justering
Hyperlenker	[text](url)
Bilder	
Kodeblokker	Blokker avgrenset med ```
Blokksitater	> quote

Sammenligning med python-docx

Standardbiblioteket i Python python-docx gir deg lavnivåtilgang til DOCX-strukturen — avsnitt, runs og stiler. Det er kraftig for programmatisk dokumentgenerering, men for uttrekking betyr det at du må implementere hver strukturelle regel fra Word-rendereren på nytt:

• Overskrifter — avsnittsstiler må manuelt mappes til Markdown-overskrifter
• Lister — krever parsing av numPr -elementer og sporing av listenivå
• Tabeller — uttrekking celle for celle og rad for rad med manuell GFM-formatering
• Bilder — uttrekking av rId -referanser og deretter utpakking av mediefiler
• Spor endringer — ingen innebygd støtte

AnyMD gjør alt dette med ett API-kall. Ett format å lære, én integrasjon å vedlikeholde, én tjeneste å overvåke.

# 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"

Fra DOCX til en RAG-pipeline

Når DOCX-filene dine er Markdown, er neste trinn chunking og embedding for RAG. AnyMD-resultatet er ideelt som input til semantiske chunking-strategier — grenser ved overskrifter, listestruktur og tabelloverskrifter bevares, slik at chunkene respekterer dokumentets semantikk i stedet for å kutte avsnitt midt i en setning.

For en grundigere sammenligning av chunking-metoder på Markdown-resultater, se guiden vår om rekursiv character chunking.

Priser

Plan	Sider/måned	Maksimal filstørrelse	Pris
Gratis	100	10 MB	$0
Starter	500	25 MB	$19
Pro	5,000	50 MB	$99
Enterprise	Tilpasset	Tilpasset	Tilpasset

En typisk DOCX-side konverteres på under 0,3 sekund.

Få din gratis API-nøkkel — 100 sider/måned, uten kredittkort.