将 Word（.docx）、PDF 和 PowerPoint（.pptx）文档转换为 Markdown，自动提取图片并 识别图片中的文字，得到"正文 + 图片文字"的完整内容。
- 三格式支持：.docx、.pdf、.pptx 输入，可混合批量转换
- 正文完整提取：
- Word：标题层级、加粗/斜体、有序/无序列表、表格、引用、超链接
- PDF：文本、表格（GFM 格式）、标题（字号识别）、页眉页脚自动去除
- PPT：每页标题作为二级标题，正文按大纲层级转为嵌套列表，加粗/斜体/超链接保留， 表格与图表数据转为 GFM 表格，演讲者备注以引用块附在页末
- 图片自动提取：文档中的图片保存到 Markdown 旁的
images/目录，正文以相对路径引用 - 图片文字识别（OCR）：默认用 RapidOCR 识别图片中的中英文文字，以引用块附在对应图片下方； 纯图片扫描页（截图型 PDF、整页截图的幻灯片）也能提取出文字
- 自动检测模式：不带参数运行时，自动转换脚本所在目录下所有 .docx / .pdf / .pptx
- 批量与目录递归：支持一次传入多个文件或整个目录（递归查找）
- Python 3.10+（开发环境为 Python 3.14.6，Windows）
- 依赖库见
requirements.txt：
| 包 | 用途 |
|---|---|
| mammoth | .docx 解析为 HTML（标题/列表/表格/图片提取） |
| markdownify | HTML 转 Markdown（GFM 表格支持） |
| pymupdf4llm | PDF 解析为 Markdown（文本/表格/图片提取） |
| python-pptx | .pptx 解析（逐页文本/表格/图表/图片/备注提取） |
| rapidocr_onnxruntime | 图片文字识别 OCR（中英文，onnxruntime 后端） |
# 建议在虚拟环境中安装
pip install -r requirements.txt
rapidocr_onnxruntime为可选依赖：不安装也能运行，只是无法识别图片中的文字。python-pptx也只在需要转换 PPT 时才必需，缺失时遇到 .pptx 会提示安装。
# 自动检测: 转换脚本所在目录下所有 .docx / .pdf / .pptx (输出到同目录)
python word2md.py
# 转换单个/多个文件 (三种格式可混选)
python word2md.py test.docx
python word2md.py 季度复盘.pptx report.pdf test.docx
# 目录批量转换 (递归查找), 并指定输出目录
python word2md.py docs/ -o output/
# 只提取图片, 不识别图片中的文字
python word2md.py 季度复盘.pptx --no-ocr
# 自定义图片存放目录名 (默认 images)
python word2md.py test.docx --images-dir assets| 参数 | 说明 |
|---|---|
inputs |
.docx/.pdf/.pptx 文件或目录（可多个）；不填则自动检测脚本所在目录 |
-o, --output |
输出目录（默认与源文件同目录） |
--images-dir |
图片存放目录名（默认 images） |
--no-ocr |
不识别图片中的文字，只提取图片 |
-h |
查看帮助 |
每个源文件生成同名 .md，图片统一放在 Markdown 旁的 images/ 目录
（文件名带源文档前缀，批量转换不会互相覆盖）。
若同名不同格式的文件（如 报告.docx 与 报告.pptx）同时转换，
先转换的输出为 报告.md，后一个自动改名为 报告(2).md。
图片与其识别出的文字在 Markdown 中的呈现形式：
> **图片中的文字：**
> 月度销售报表
> 产品：智能手表 销量：1200 台
> 合计：4700 台，同比增长 18%
## 后续正文...PPT 每页之间用 --- 分隔，页内元素按原叠放顺序输出：
## 2026 年第三季度业务复盘
汇报人：张伟 | 数据截至 2026-09-30
---
## 本季度关键进展
- 营收同比增长 18%
- 其中海外市场贡献 42%
- **风险提示**：供应链交付周期仍偏长
| 区域 | 销量(台) | 同比 |
| --- | --- | --- |
| 华东 | 1,240 | +18% |
> **图表：主力品类季度销量**
| 类别 | 智能手表 | 智能音箱 |
| --- | --- | --- |
| Q3 | 1240 | 860 |
> **图片中的文字：**
> 产品质检报告
> 合格率 98.5% 批次 B-2049
> **备注：**
> 强调合格率环比提升 0.7 个百分点。图片文件名中的
s5表示第 5 页，避免与同名 Word 文档提取的图片重名。
- 旧版
.doc/.ppt格式不支持，请先另存为.docx/.pptx - 图片/扫描件内的表格会提取出文字行，但无法还原表格结构
- PDF 标题识别基于字号启发式，偶尔会将正文误判为标题
- Word / PPT 中 EMF/WMF 矢量图会原样保存，但其中的文字无法识别
- pymupdf4llm 布局引擎对含纯图片页的文档有丢正文 bug， 脚本已内置检测并自动回退到兼容解析模式（会有提示，图片位置改为所在页文本之后）
- PPT 相关限制：
- SmartArt 图形的文字无法提取（会以标注行提示），如需保留请截图后作为图片插入
- 嵌入对象（OLE）、音频/视频只标注对象名，不提取内容
- 图表只提取第一组绘图数据；散点图等无类别/系列概念的图表退化为一行说明
- 页码、页脚、日期占位符属于版面信息，会被剔除，不写入正文
- 母版/版式上的装饰性文字不提取（只取幻灯片自身的元素）
- 页内元素不保留坐标信息，按叠放顺序输出；表格首行固定作为表头（GFM 语法要求）
word2md/
├── word2md.py # 主脚本
├── requirements.txt # 依赖清单
└── README.md # 本文档