当前位置：首页 > article >正文

将markdown文件和LaTex公式转为word

article 2025/2/2 22:08:18

通义千问等大模型生成的回答多数是markdown类型的，需要将他们转为Word文件

一 pypandoc 介绍

1. 项目介绍
pypandoc 是一个用于 pandoc 的轻量级 Python 包装器。pandoc 是一个通用的文档转换工具，支持多种格式的文档转换，如 Markdown、HTML、LaTeX、DocBook 等。pypandoc 通过提供一个简单的 Python 接口，使得在 Python 脚本中调用 pandoc 变得更加方便。

2. 安装

使用pip安装：
pip install pypandoc_binary
自动下载 Pandoc并安装
注意：pypandoc 提供了两个包：
pypandoc：需要用户自行安装 pandoc软件才能使用。
pypandoc_binary：包含了预编译的 pandoc 二进制文件，方便用户快速上手。

手动安装
可以手动安装pandoc再安装pypandoc库
pip install pypandoc
也可以先安装pypandoc然后再在pyhon中运行 pypandoc.download_pandoc()函数自动下载并安装 Pandoc，将其存放在 pypandoc 可以访问的目录中。

二、使用Python 将markdown转Word
本脚本实现了三类功能
1、将markdown文件转为word文件
2、将 markdown中段落开头的“-“转为回车，避免渲染成黑点或者空心圆等Word中不常见的符号
3、自定义了模板，格式化输出。

import pypandoc
import time
import re

# 定义路径
path1 = r"md.md"
path2 = r".docx"
template_path = r"D:\aTools\ytemplates\templates_s.docx"

# 读取原始Markdown文件内容
with open(path1, 'r', encoding='utf-8') as file:
    content = file.read()

# 使用正则表达式将以'- '开头的部分替换为换行符
processed_content = re.sub(r'- ', '\n', content)

# 记录开始时间
t1 = time.time()

# 将处理后的内容转换为Word文档
pypandoc.convert_text(
    processed_content,
    'docx',
    format='md',
    outputfile=path2,
    extra_args=['--reference-doc', template_path]
)

# 打印耗时
print(time.time() - t1)
print("转换完成！")

三、直接指定Word格式

直接读取文件（可以为txt或者md)转为指定格式的word。
这里格式是：
1、将 markdown中段落开头的“-“转为回车，避免渲染成黑点或者空心圆等Word中不常见的符号
2、将原来加粗部分继续加粗和左对齐
3、字体为黑色GB2312

注意：代码用正则替换####这些时需要先从4级标题开始替换否则会有逻辑错误，导致奇数个#无法替换。

设置中文字体不能用run.font.name = '仿宋_GB2312’而是用style._element.rPr.rFonts.set(qn(‘w:eastAsia’), ‘仿宋_GB2312’) 设置中文字体。

import re
from docx import Document
from docx.shared import Pt, RGBColor
from docx.enum.text import WD_ALIGN_PARAGRAPH
from docx.oxml.ns import qn

# 定义设置字体和颜色的函数
def set_font_color(run):
    run.font.name = 'Times New Roman'  # 设置西文字体
    run._element.rPr.rFonts.set(qn('w:eastAsia'), '仿宋_GB2312')  # 设置中文字体
    run.font.size = Pt(12)
    run.font.color.rgb = RGBColor(0, 0, 0)
    run.italic = False  # 去除斜体


# 定义路径
path1 = r"C:\Users\xueshifeng\Desktop\数据分割.txt"
path2 = r"C:\Users\xueshifeng\Desktop\数据分割.docx"

# 读取原始txt文件内容
with open(path1, 'r', encoding='utf-8') as file:
    content = file.read()

# 处理以'- '开头的项目符号
processed_content = re.sub(r'- ', '\n', content)

# 创建一个新的Word文档
doc = Document()

# 设置默认字体为仿宋_GB2312
style = doc.styles['Normal']
style.font.name = 'Times New Roman'  # 设置西文字体
style._element.rPr.rFonts.set(qn('w:eastAsia'), '仿宋_GB2312')  # 设置中文字体
style.font.size = Pt(12)
style.font.color.rgb = RGBColor(0, 0, 0)

# 正则表达式模式
bold_pattern = re.compile(r'\*\*(.*?)\*\*')
heading4_pattern = re.compile(r'^\s*####\s*(.*)')  # 四级标题
heading3_pattern = re.compile(r'^\s*###\s*(.*)')  # 三级标题
heading2_pattern = re.compile(r'^\s*##\s*(.*)')  # 二级标题
heading1_pattern = re.compile(r'^\s*#\s*(.*)')  # 一级标题

# 处理每一行内容
for line in processed_content.split('\n'):
    # 检查四级标题
    heading_match = heading4_pattern.match(line)
    if heading_match:
        title_text = heading_match.group(1).strip()
        if title_text:
            heading = doc.add_heading(title_text, level=4)
            heading.alignment = WD_ALIGN_PARAGRAPH.LEFT
            for run in heading.runs:
                set_font_color(run)
                run.bold = True
            continue  # 跳过后续处理

    # 检查三级标题
    heading_match = heading3_pattern.match(line)
    if heading_match:
        title_text = heading_match.group(1).strip()
        if title_text:
            heading = doc.add_heading(title_text, level=3)
            heading.alignment = WD_ALIGN_PARAGRAPH.LEFT
            for run in heading.runs:
                set_font_color(run)
                run.bold = True
            continue  # 跳过后续处理

    # 检查二级标题
    heading_match = heading2_pattern.match(line)
    if heading_match:
        title_text = heading_match.group(1).strip()
        if title_text:
            heading = doc.add_heading(title_text, level=2)
            heading.alignment = WD_ALIGN_PARAGRAPH.LEFT
            for run in heading.runs:
                set_font_color(run)
                run.bold = True
            continue  # 跳过后续处理

    # 检查一级标题
    heading_match = heading1_pattern.match(line)
    if heading_match:
        title_text = heading_match.group(1).strip()
        if title_text:
            heading = doc.add_heading(title_text, level=1)
            heading.alignment = WD_ALIGN_PARAGRAPH.LEFT
            for run in heading.runs:
                set_font_color(run)
                run.bold = True
            continue  # 跳过后续处理

    # 处理普通段落和加粗文本
    matches = list(bold_pattern.finditer(line))

    if not matches:
        paragraph = doc.add_paragraph(line)
        paragraph.alignment = WD_ALIGN_PARAGRAPH.LEFT
        for run in paragraph.runs:
            set_font_color(run)
    else:
        paragraph = doc.add_paragraph()
        start = 0
        for match in matches:
            if match.start() > start:
                run = paragraph.add_run(line[start:match.start()])
                set_font_color(run)
            run = paragraph.add_run(match.group(1))
            run.bold = True
            set_font_color(run)
            start = match.end()
        if start < len(line):
            run = paragraph.add_run(line[start:])
            set_font_color(run)
        paragraph.alignment = WD_ALIGN_PARAGRAPH.LEFT

# 保存文档
doc.save(path2)

print("转换完成！")

四、将LaTex公式转为Word

将 latex_content字符串$ $ 中间的位置替换为公式，或者直接复制代码到GPT，让GPT修改代码

import pypandoc

# 定义包含特定公式的LaTeX字符串
#$ $ 中间的位置替换为公式，或者直接复制代码到GPT，让GPT生成最终代码
latex_content = r"""
\documentclass{article}
\usepackage{amsmath} % 确保包含用于数学排版的包
\begin{document}

$ L(y_i, f(x_i)) = \max(0, 1 - y_if(x_i)) $


\end{document}
"""

# 将LaTeX内容转换为Word文档
output_file = r"xx14.docx"

output = pypandoc.convert_text(
    latex_content,  # 输入的字符串
    'docx',         # 输出格式
    format='latex', # 输入格式（LaTeX）
    outputfile=output_file,  # 输出文件路径
    extra_args=['--mathml']  # 额外参数，确保公式渲染为MathML格式
)

# 检查转换是否成功
if output != '':
    print(f"转换过程中出现错误: {output}")
else:
    print(f"Word 文档已生成: {output_file}")

查看全文

http://www.kler.cn/a/528980.html