Wordファイル(.docx)をMarkdownへ変換する

20171217-docx-to-markdown-with-pandoc.md

$ pandoc -s <input>.docx --wrap=none --reference-links --extract-media=media -t gfm --filter ./despan.py　-o <output>.md

いろいろと試した挙句、下記の観点でこれがベスト。

• --wrap=none 勝手にwrapさせたくない(defaultではwrapしてしまう)
• --reference-links
• --extract-media=media docxに埋め込まれたpngなどを抽出できる
• -t gfm github形式のmarkdownで出力したい(tableがpandoc defaultのmarkdownは他の形式になってしまう)

ref: Pandoc - Pandoc User’s Guide

ref: How to remove title anchor when converting docx to markdown? · Issue #1893 · jgm/pandoc

• filterを使い、title anchorを削除する

despan.py

#!/usr/bin/env python

# copied from https://github.com/jgm/pandoc/issues/1893

"""
despan.py
Pandoc filter to convert all regular text to uppercase.
Code, link URLs, etc. are not affected.
"""

from pandocfilters import toJSONFilter, Str

def despan(key, value, format, meta):
  if key == 'Span':
    return []

if __name__ == "__main__":
  toJSONFilter(despan)