Konwertuj DOCX do Markdown za pomocą Pythona

Jeśli pracujesz z danymi treningowymi AI, potokami dokumentów lub systemami RAG, niemal na pewno masz za sobą pracę z plikami DOCX. Dokumenty Word są wszędzie — szkice badań, raporty biznesowe, umowy prawne, manuskrypty — ale programistyczne przetwarzanie ich bywa uciążliwe.

Ten artykuł pokazuje, jak konwertować DOCX do czystego Markdown za pomocą REST API AnyMD z poziomu Pythona, z asynchronicznym przetwarzaniem wsadowym, obsługą błędów i paginacją do zastosowań produkcyjnych.

Dlaczego Markdown z DOCX?

DOCX to format binarny (archiwum ZIP z plikami XML). Biblioteki takie jak python-docx potrafią wyodrębnić tekst, ale gubią strukturę: nagłówki stają się zwykłymi akapitami, listy zamieniają się we wcięty tekst, a tabele w ciągi oddzielone tabulatorami. Markdown zachowuje to wszystko w formacie, który każdy LLM, baza wektorowa i generator stron statycznych może przetwarzać natywnie.

Jednorazowa konwersja

Najprostszy przypadek — pojedynczy plik 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 automatycznie rozpoznaje DOCX po rozszerzeniu pliku i zwraca GitHub-Flavored Markdown. Nagłówki, listy numerowane, listy punktowane, pogrubienie/kursywa, tabele, obrazy i hiperłącza są zachowywane — dokładnie tak, jak w dokumencie otwartym w Wordzie.

Asynchroniczna konwersja wsadowa z ponowieniami

Gdy masz 50 lub 500 plików DOCX, konwersja sekwencyjna jest zbyt wolna. Oto asynchroniczny procesor wsadowy z prawidłową obsługą błędów:

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"))

Skrypt korzysta z puli sesji z limitem połączeń (domyślnie 10 jednoczesnych żądań), ponawia żądania przy limitach 429 i błędach przejściowych z wykładniczym backoffem oraz zapisuje każdy wynik jako .md plik.

Paginacja dla dużych bibliotek dokumentów

Jeśli pobierasz dokumenty z API lub bucketa S3, możesz potrzebować przetwarzania stronicowanego. Oto wzorzec z generatorem:

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")

Obsługa dużych plików DOCX

AnyMD obsługuje pliki DOCX do 50 MB w planie płatnym.

Co zostaje zachowane

Funkcja DOCX	Wynik Markdown
Nagłówki 1–6	# do ######
Pogrubienie / Kursywa	**bold** / *italic*
Listy numerowane	1. item — prawidłowe zagnieżdżanie
Listy punktowane	- item — prawidłowe zagnieżdżanie
Tabele	Składnia tabel GFM z wyrównaniem
Hiperłącza	[text](url)
Obrazy	
Bloki kodu	Bloki ograniczone przez ```
Cytaty blokowe	> quote

Porównanie z python-docx

Standardowa biblioteka Pythona python-docx daje niskopoziomowy dostęp do wnętrza DOCX — akapitów, runów i stylów. To potężne przy programistycznym generowaniu dokumentów, ale przy ekstrakcji oznacza konieczność ponownej implementacji każdej reguły strukturalnej stosowanej przez renderer Worda:

• Nagłówki — style akapitów trzeba ręcznie mapować na nagłówki Markdown
• Listy — wymaga parsowania elementów numPr i śledzenia poziomu zagnieżdżenia listy
• Tabele — ekstrakcja komórka po komórce i wiersz po wierszu z ręcznym formatowaniem GFM
• Obrazy — wyodrębnianie odwołań rId i następnie rozpakowywanie plików multimedialnych
• Śledzenie zmian — brak wbudowanej obsługi

AnyMD robi to wszystko jednym wywołaniem API. Jeden format do poznania, jedna integracja do utrzymania, jedna usługa do monitorowania.

# 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 do potoku RAG

Gdy pliki DOCX są już w Markdown, kolejnym krokiem jest chunking i tworzenie embeddingów dla RAG. Wynik AnyMD jest idealnym wejściem dla strategii chunkingu semantycznego — granice nagłówków, struktura list i nagłówki tabel są zachowane, dzięki czemu chunki respektują semantykę dokumentu zamiast przecinać akapity w połowie zdania.

Dokładniejsze porównanie metod chunkingu dla wyniku Markdown znajdziesz w naszym przewodniku po rekurencyjnym chunkingu znakowym.

Cennik

Plan	Strony/miesiąc	Maksymalny rozmiar pliku	Cena
Bezpłatny	100	10 MB	$0
Starter	500	25 MB	$19
Pro	5,000	50 MB	$99
Enterprise	Niestandardowy	Niestandardowy	Niestandardowy

Typowa strona DOCX konwertuje się w mniej niż 0,3 sekundy.

Pobierz bezpłatny klucz API — 100 stron/miesiąc, bez karty kredytowej.