1

docx2md/AI友好型.py

@@ -0,0 +1,120 @@
+import subprocess
+import os
+import re
+import shutil
+import urllib.parse # 用于处理文件名中的 %20 空格
+from pathlib import Path
+
+def convert_final_clean(docx_file):
+    # --- 配置区域 ---
+    path_obj = Path(docx_file)
+    base_name = path_obj.stem
+    output_md = f"{base_name}_Compact.md"
+    
+    # 临时文件夹 (乱序，脚本运行完会删除)
+    temp_media_folder = f"{base_name}_temp_media" 
+    # 最终文件夹 (有序，这是你要的)
+    final_images_folder = f"{base_name}_Images_Ordered"
+    # ----------------
+    
+    print(f"🔄 正在启动 Pandoc 转换...")
+    
+    # 1. Pandoc 转换 (提取原始图片)
+    cmd = ["pandoc", docx_file, "-o", output_md, 
+           "--to=gfm", 
+           "--standalone", 
+           f"--extract-media={temp_media_folder}", # 提取到临时目录
+           "--wrap=none"]
+    
+    try:
+        subprocess.run(cmd, check=True, capture_output=True)
+    except Exception as e:
+        print(f"❌ Pandoc 转换失败: {e}")
+        return
+
+    # 准备最终文件夹
+    if os.path.exists(final_images_folder):
+        shutil.rmtree(final_images_folder) # 如果旧的存在，先清空
+    os.makedirs(final_images_folder)
+
+    with open(output_md, 'r', encoding='utf-8') as f:
+        content = f.read()
+
+    print(f"🔄 正在整理图片并重命名...")
+
+    # 2. 图片清洗与重命名逻辑
+    img_count = 0
+    
+    def img_replacer(m):
+        nonlocal img_count
+        
+        # 获取图片路径 (兼容 Markdown ![]() 和 HTML <img src>)
+        # group(2) 是 Markdown 路径，group(4) 是 HTML src 路径
+        raw_path = m.group(2) or m.group(4) or ""
+        
+        if not raw_path: return m.group(0)
+        
+        # 解码路径 (比如把 "media/image%201.png" 转为 "media/image 1.png")
+        original_path = urllib.parse.unquote(raw_path)
+        
+        # 修正 Windows 反斜杠问题
+        original_path = original_path.replace("\\", "/")
+        
+        # 构造新文件名 (Image_001.png)
+        ext = os.path.splitext(original_path)[1]
+        if not ext: ext = ".png" # 防止无后缀
+        new_filename = f"Image_{img_count+1:03d}{ext}" # 序号从 001 开始
+        
+        # 执行文件复制
+        # 注意：Pandoc 提取的路径通常是 "folder/media/image.png"
+        # 我们需要找到这个文件在磁盘上的真实位置
+        src_full_path = os.path.join(os.getcwd(), original_path)
+        dest_full_path = os.path.join(final_images_folder, new_filename)
+        
+        if os.path.exists(src_full_path):
+            shutil.copy2(src_full_path, dest_full_path)
+            img_count += 1 # 只有文件存在且复制成功，计数器才+1
+            
+            # 生成 AI 上传指令 (Markdown)
+            return (
+                f"\n\n---\n"
+                f"> 📸 **[指令：请在此处上传图片 {img_count:03d}]**\n"
+                f"> 文件名: `{new_filename}`\n"
+                f"---\n\n"
+            )
+        else:
+            # 如果找不到原图，保留原样或提示错误
+            print(f"⚠️ 警告: 找不到图片文件 {src_full_path}")
+            return m.group(0)
+
+    # 正则：同时匹配 Markdown图片 和 HTML图片
+    pattern = r'(!\[.*?\]\((.*?)\))|(<img[^>]+src=["\'](.*?)["\'][^>]*>)'
+    content = re.sub(pattern, img_replacer, content, flags=re.IGNORECASE)
+
+    # 3. 表格与文本清洗
+    content = re.sub(r' +', ' ', content) # 压缩空格
+    content = re.sub(r'\{width=.*?\}', '', content) # 去除 pandoc 尺寸标记
+    content = re.sub(r'\n{3,}', '\n\n', content) # 去除过多空行
+
+    # 4. 保存 Markdown
+    with open(output_md, 'w', encoding='utf-8') as f:
+        f.write(content)
+
+    # 5. 【关键步骤】删除那个乱七八糟的临时文件夹
+    if os.path.exists(temp_media_folder):
+        try:
+            shutil.rmtree(temp_media_folder)
+            print(f"🗑️ 已删除临时文件夹: {temp_media_folder}")
+        except:
+            pass
+
+    print(f"\n" + "="*50)
+    print(f"✅ 处理完成！")
+    print(f"📂 请务必打开这个文件夹找图片: 【 {final_images_folder} 】")
+    print(f"📄 Markdown 文件: {output_md}")
+    print(f"🔢 共处理图片: {img_count} 张")
+    print(f"="*50)
+
+if __name__ == "__main__":
+    # 请确保这里的文件名是你真实的 docx 文件名
+    convert_final_clean("1.docx")