Konvertera DOCX till Markdown med Python

Om du arbetar med AI-träningsdata, dokumentpipelines eller RAG-system har du nästan säkert hanterat DOCX-filer. Word-dokument finns överallt — forskningsutkast, affärsrapporter, juridiska avtal, manuskript — men de är besvärliga att behandla programmatiskt.

Det här inlägget visar hur du konverterar DOCX till ren Markdown med AnyMD:s REST API från Python, med asynkron batchbehandling, felhantering och paginering för arbetsflöden i produktionsskala.

Varför Markdown från DOCX?

DOCX är ett binärt format (en ZIP med XML-filer). Bibliotek som python-docx kan extrahera text, men de tappar strukturen: rubriker blir vanliga stycken, listor kollapsar till indragen text och tabeller blir tab-separerat brus. Markdown bevarar allt detta i ett format som varje LLM, vektordatabas och generator för statiska webbplatser kan använda direkt.

Engångskonvertering

Det enklaste fallet — en enda 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 identifierar automatiskt DOCX från filändelsen och returnerar GitHub-Flavored Markdown. Rubriker, numrerade listor, punktlistor, fet/kursiv text, tabeller, bilder och hyperlänkar bevaras — precis som du skulle se dem om du öppnade dokumentet i Word.

Asynkron batchkonvertering med återförsök

När du har 50 eller 500 DOCX-filer är sekventiell konvertering för långsam. Här är en asynkron batchprocessor med ordentlig felhantering:

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 använder en sessionspool med anslutningsgräns (10 samtidiga anrop som standard), försöker igen vid 429-rate limits och tillfälliga fel med exponentiell backoff och skriver varje resultat som en .md fil.

Paginering för stora dokumentbibliotek

Om du hämtar dokument från ett API eller en S3-bucket kan du behöva paginerad behandling. Här är ett generatormönster:

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")

Hantering av stora DOCX-filer

AnyMD hanterar DOCX-filer på upp till 50 MB i den betalda planen.

Vad som bevaras

DOCX-funktion	Markdown-utdata
Rubrik 1–6	# till ######
Fet / Kursiv	**bold** / *italic*
Numrerade listor	1. item — korrekt nästling
Punktlistor	- item — korrekt nästling
Tabeller	GFM-tabellsyntax med justering
Hyperlänkar	[text](url)
Bilder	
Kodblock	Block avgränsade med ```
Blockcitat	> quote

Jämförelse med python-docx

Standardbiblioteket i Python python-docx ger dig lågnivååtkomst till DOCX-interna delar — stycken, runs och stilar. Det är kraftfullt för programmatisk dokumentgenerering, men för extraktion betyder det att du själv måste implementera varje strukturell regel som Words renderer använder:

• Rubriker — styckestilar måste manuellt mappas till Markdown-rubriker
• Listor — kräver parsning av numPr -element och spårning av listdjup
• Tabeller — extraktion cell för cell och rad för rad med manuell GFM-formatering
• Bilder — extraktion av rId -referenser och därefter uppackning av mediefiler
• Spåra ändringar — inget inbyggt stöd

AnyMD gör allt detta med ett enda API-anrop. Ett format att lära sig, en integration att underhålla, en tjänst att övervaka.

# 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"

Från DOCX till en RAG-pipeline

När dina DOCX-filer väl är Markdown är nästa steg chunking och embedding för RAG. AnyMD-utdata är perfekt som input till semantiska chunkingstrategier — rubrikgränser, liststruktur och tabellrubriker bevaras, så dina chunks respekterar dokumentets semantik i stället för att kapa stycken mitt i en mening.

För en djupare jämförelse av chunkingmetoder för Markdown-utdata, se vår guide om rekursiv character chunking.

Priser

Plan	Sidor/månad	Maximal filstorlek	Pris
Gratis	100	10 MB	$0
Starter	500	25 MB	$19
Pro	5,000	50 MB	$99
Enterprise	Anpassad	Anpassad	Anpassad

En typisk DOCX-sida konverteras på under 0,3 sekunder.

Skaffa din kostnadsfria API-nyckel — 100 sidor/månad, inget kreditkort krävs.