Skip to content
Office Oxide

Office-Dokumente nach Markdown konvertieren

Jedes Office-Oxide-Handle hat eine to_markdown()-Methode, die GitHub-flavored Markdown liefert — Überschriften, Tabellen, Listen und codeähnliche Blöcke — aus jedem der sechs unterstützten Formate. Das ist der richtige Einstiegspunkt für die meisten LLM- und RAG-Pipelines.

Einmaliger Aufruf

Rust

use office_oxide::to_markdown;

let md = to_markdown("report.docx")?;
std::fs::write("report.md", md)?;

Python

import office_oxide

md = office_oxide.to_markdown("report.docx")
open("report.md", "w").write(md)

JavaScript

import { toMarkdown } from 'office-oxide';
import { writeFileSync } from 'node:fs';

writeFileSync('report.md', toMarkdown('report.docx'));

Go

md, err := officeoxide.ToMarkdown("report.docx")
os.WriteFile("report.md", []byte(md), 0o644)

C#

File.WriteAllText("report.md", OfficeOxide.ToMarkdown("report.docx"));

C

int err = 0;
char *md = office_to_markdown("report.docx", &err);   /* open + render in one call */
if (md) {
    FILE *f = fopen("report.md", "w");
    fputs(md, f);
    fclose(f);
    office_oxide_free_string(md);
}

Wiederverwendbares Handle

Rust

let doc = office_oxide::Document::open("deck.pptx")?;
let md = doc.to_markdown();

Python

from office_oxide import Document

with Document.open("deck.pptx") as doc:
    md = doc.to_markdown()

JavaScript

using doc = Document.open('deck.pptx');
const md = doc.toMarkdown();

C

int err = 0;
OfficeDocumentHandle *doc = office_document_open("deck.pptx", &err);
if (doc) {
    char *md = office_document_to_markdown(doc, &err);
    if (md) { /* use md */ office_oxide_free_string(md); }
    office_document_free(doc);
}

WASM

import { WasmDocument } from 'office-oxide-wasm';

// WASM has no file I/O — read the bytes yourself, then open from bytes
const data = new Uint8Array(await (await fetch('/deck.pptx')).arrayBuffer());
using doc = new WasmDocument(data, 'pptx');
const md = doc.toMarkdown();

Was ausgegeben wird

Quellelement Markdown
DOCX-Überschrift (<w:pStyle w:val="Heading1"/> …) # Heading (Ebene gemäß Stil)
DOCX-Absatz Ein Absatz, Soft-Hyphens entfernt
DOCX-Listenpunkt - item oder 1. item (Nummerierung erhalten)
DOCX-Tabelle GFM-Pipe-Tabelle
XLSX-Tabellenblatt ## Sheet name + Pipe-Tabelle pro Bereich
Verbundene XLSX-Zellen Inhalt der ersten Zelle, Span wird verworfen
PPTX-Folie ## Slide N + Body, Notizen als Blockquote angehängt
PPTX-Tabelle GFM-Pipe-Tabelle inline in der Folie
Hyperlinks [text](url)
Bilder Platzhalter ![alt](filename) — siehe „Bilder" unten

Bilder

to_markdown() gibt Bilder als Dateiname-Platzhalter aus (z. B. ![](image1.png)), extrahiert aber keine Bild-Bytes — Markdown ist ein Textformat. Um Bilder herauszuholen, nutze die IR oder den formatspezifischen Zugriff:

from office_oxide import Document

with Document.open("report.docx") as doc:
    ir = doc.to_ir()
    for section in ir["sections"]:
        for el in section["elements"]:
            if el["kind"] == "Image":
                print(el["filename"], len(el["data"]))

Vollständiges Schema unter IR-Extraktion.

Einsatzbereiche

  • RAG-Ingestion — Markdown ist das LLM-freundlichste Eingabeformat. Ein Durchlauf pro Dokument, deterministische Struktur, kein HTML-Rauschen.
  • Dokument-Indexierung — Überschriften liefern natürliche Chunk-Grenzen; Tabellen bleiben abfragbar.
  • Migrationen — DOCX → Markdown für Static-Site-Generatoren (Hugo, Astro, MkDocs).
  • Content-Diffs — Markdown-Diffs sind wesentlich übersichtlicher als binäre .docx-Diffs.

Performance

to_markdown() läuft in derselben Größenordnung wie plain_text() — üblicherweise 1–2× Kosten beim Mediandokument. Vollständige Zahlen unter Performance.

Siehe auch