将markdown文件和LaTex公式转为word

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

def set_font_color(run):
    run.font.name = 'Times New Roman'
    run._element.rPr.rFonts.set(qn('w:eastAsia'), '仿宋_GB2312')
    run.font.size = Pt(12)
    run.font.color.rgb = RGBColor(0, 0, 0)
    run.italic = False

def process_content(line, paragraph):
    """通用内容处理函数"""
    bold_pattern = re.compile(r'\*\*(.*?)\*\*')
    matches = list(bold_pattern.finditer(line))
    
    if not matches:
        run = paragraph.add_run(line)
        set_font_color(run)
    else:
        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)

def mdtxt2word(txt_path, docx_path):
    with open(txt_path, 'r', encoding='utf-8') as file:
        content = re.sub(r'- ', '\n', file.read())

    doc = Document()
    style = doc.styles['Normal']
    style.font.name = 'Times New Roman'
    style._element.rPr.rFonts.set(qn('w:eastAsia'), '仿宋_GB2312')
    style.font.size = Pt(12)
    style.font.color.rgb = RGBColor(0, 0, 0)

    # 合并标题正则表达式
    heading_pattern = re.compile(
        r'^\s*(#{1,4})\s*(.*?)\s*$'  # 匹配1-4个#开头的标题
    )

    for line in content.split('\n'):
        # 处理所有标题类型
        heading_match = heading_pattern.match(line)
        if heading_match:
            level = len(heading_match.group(1))  # 根据#数量确定级别
            title_text = heading_match.group(2).strip()
            
            if not title_text:
                continue  # 跳过空标题

            # 创建对应级别的标题
            heading = doc.add_heading(level=min(level, 4))  # 限制最大4级
            heading.alignment = WD_ALIGN_PARAGRAPH.LEFT
            
            # 处理标题内容中的加粗标记
            process_content(title_text, heading)
            continue

        # 处理普通段落
        paragraph = doc.add_paragraph()
        paragraph.alignment = WD_ALIGN_PARAGRAPH.LEFT
        process_content(line, paragraph)

    doc.save(docx_path)
    print("转换完成！")

if __name__ == "__main__":
    txt_path = r"C:\Users\xueshifeng\Desktop\11.txt"
    docx_path = r"C:\Users\xueshifeng\Desktop\11.docx"
    mdtxt2word(txt_path, docx_path)

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}")