docx转为markdown

1.转化为html

nodejs存在一些库能够解析docx文档：

库名称	主要功能	使用场景	优点	缺点
docx	生成 DOCX	动态创建 Word 文档（如报告、合同）	- 纯 JS，无依赖 - 支持表格、图片、样式 - API 直观	- 不支持解析现有 DOCX - 仅适用于生成新文件
mammoth.js	解析 DOCX → HTML/Markdown	提取 DOCX 内容并转换格式	- 轻量级 - 保留基本样式（如标题、列表）	- 不支持修改 DOCX - 复杂格式可能丢失
docxtemplater	模板化 DOCX（变量替换）	批量生成文档（如证书、发票）	- 支持循环、条件逻辑 - 保留原格式	- 需要预定义模板 - 不适用于复杂文档生成
officegen	生成 DOCX/PPTX/XLSX	创建 Office 文档（兼容旧版 Node）	- 支持多种格式 - 简单 API	- 维护较少 - 功能较基础
pandoc（需 CLI）	DOCX ↔ HTML/Markdown/PDF 等	格式转换（如 DOCX 转 Markdown）	- 支持多种格式 - 高质量转换	- 需安装外部工具 - 不适合动态生成
unzipper + XML 解析	底层操作 DOCX	需要直接修改 DOCX 内部结构	- 完全控制文件内容	- 开发复杂 - 需手动处理 XML

相较之下mammoth比较合适使用在当前场景，该工具本身支持直接转为markdown

mammoth document.docx --output-format=markdown

但实践中效果并不是很好，文档会产生一些转义符、锚点处生成了a标签、无法转换表格等问题。 因此决定先通过mammoth，先将docx文档转化为html，再解析html转为markdown

mammoth 转为html的这一步将docx的xml格式会剔除字体、字号等冗余信息，结构也变得简化，给转换markdown提供了基础。

2.转化为markdown

这一步没什么特别的，只是简单的根据html标签转化为markdown的语法

此处没有递归处理各节点，因为目前看到的mammoth生成的html没有深层嵌套节点，有需要进一步优化可以加入递归转化

另外需要注意将html实体编码进行解码处理。

const dom = document.querySelector('#container');
const markdownText = htmlToMarkdown(dom);
const decodeMarkdownText = decodeHTMLEntities(markdownText);

function htmlToMarkdown(element) {
  const tagMap = {
    H1: "#",
    H2: "##",
    H3: "###",
    H4: "####",
    H5: "#####",
    H6: "######",
  };

  let result = [];

  function processNode(node) {
    if (node.nodeType === Node.ELEMENT_NODE) {
      const tagName = node.tagName;

      switch (tagName) {
        case "H1":
        case "H2":
        case "H3":
        case "H4":
        case "H5":
        case "H6":
          result.push(`${tagMap[tagName]} ${node.textContent.trim()}\n`);
          break;

        case "P":
          let pText = Array.from(node.childNodes).reduce((acc, child) => {
            if (child.tagName === "BR") {
              acc += "  \n";
            } else if (child.nodeType === Node.TEXT_NODE) {
              acc += child.textContent.trim();
            } else {
              acc += child.textContent.trim();
            }
            return acc;
          }, "");
          result.push(pText);
          break;

        case "UL":
          Array.from(node.children).forEach(child => {
            result.push(`- ${child.textContent.trim()}`);
          });
          result.push("");
          break;

        case "OL":
          Array.from(node.children).forEach((child, index) => {
            result.push(`${index + 1}. ${child.textContent.trim()}`);
          });
          result.push("");
          break;

        case "A":
          const href = node.getAttribute("href");
          result.push(`[${node.textContent}](${href})`);
          break;

        case "STRONG":
          result.push(`**${node.textContent}**`);
          break;

        case "EM":
          result.push(`*${node.textContent}*`);
          break;

        case "TABLE":
          const rows = Array.from(node.querySelectorAll("tr"));
          if (rows.length > 0) {
            const headers = Array.from(rows[0].querySelectorAll("th, td")).map(cell =>
              cell.textContent.trim()
            );
            const separator = headers.map(() => "---");

            result.push(`\n| ${headers.join(" | ")} |\n| ${separator.join(" | ")} |`);

            for (let i = 1; i < rows.length; i++) {
              const cells = Array.from(rows[i].querySelectorAll("td")).map(cell =>
                cell.textContent.trim()
              );
              result.push(`| ${cells.join(" | ")} |`);
            }
          }
          break;

        default:
          Array.from(node.childNodes).forEach(processNode);
      }
    } else if (node.nodeType === Node.TEXT_NODE) {
      result.push(node.textContent.trim());
    } else if (node.nodeType === Node.ELEMENT_NODE && node.hasChildNodes()) {
      Array.from(node.childNodes).forEach(processNode);
    }
  }

  processNode(element);
  return result.join("\n").replace(/\n{3,}/g, "\n\n");
}

function decodeHTMLEntities(text) {
  const textArea = document.createElement("textarea");
  textArea.innerHTML = text;
  return textArea.value;
}