Skip to content
Office Oxide

Конвертація Office-документів у Markdown

Кожен handle Office Oxide має метод to_markdown(), що генерує GitHub-flavored Markdown — заголовки, таблиці, списки та блоки, схожі на код — з будь-якого з шести підтримуваних форматів. Саме цю точку входу варто використовувати в більшості LLM та RAG-пайплайнів.

Одноразовий виклик

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);
}

Перевикористання 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();

Що з’являється у виводі

Початковий елемент Markdown
DOCX-заголовок (<w:pStyle w:val="Heading1"/> …) # Heading (рівень відповідно до стилю)
DOCX-абзац Один абзац, soft-hyphen вирізаються
DOCX-пункт списку - item або 1. item (нумерація зберігається)
DOCX-таблиця GFM pipe-таблиця
XLSX-аркуш ## Sheet name + pipe-таблиця для кожного діапазону
Об’єднані клітинки XLSX Вміст першої клітинки, span відкидається
PPTX-слайд ## Slide N + body, нотатки додаються як blockquote
PPTX-таблиця GFM pipe-таблиця inline у слайді
Гіперпосилання [text](url)
Зображення плейсхолдер ![alt](filename) — див. «Зображення» нижче

Зображення

to_markdown() видає плейсхолдери з іменем файлу (наприклад, ![](image1.png)), але не витягує байти зображень — Markdown це текстовий формат. Щоб дістати зображення, використовуйте IR або форматно-специфічний доступ:

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"]))

Повна схема — IR-видобування.

Сценарії використання

  • RAG-інжест — Markdown найдружніший до LLM формат. Один прохід на документ, детермінована структура, без HTML-шуму.
  • Індексація документів — заголовки створюють природні межі чанків, таблиці залишаються queryable.
  • Міграції — DOCX → Markdown для статичних генераторів (Hugo, Astro, MkDocs).
  • Diff контенту — Markdown-діфи значно зручніші за бінарні .docx-діфи.

Продуктивність

to_markdown() працює в тому ж порядку, що й plain_text() — зазвичай 1–2× витрат на медіанному документі. Повні цифри — у розділі Продуктивність.

Дивіться також