DOCX to Markdown: Formatleitfaden für die Migration von Dokumentensystemen

DOCX wird basierend auf der OOXML-Spezifikation gespeichert und beschreibt Formate mit Stilen als Kern. Der gleiche semantische Inhalt kann in mehreren visuellen Stilen dargestellt werden. Markdown hingegen ist semantisch ausgerichtet, verwendet prägnante Syntax zur Kennzeichnung von Inhaltshierarchien und passt sich dem Rendering verschiedener statischer Dokumentensysteme an.

Die Kernanforderung bei der Migration technischer Dokumente besteht darin, die visuellen Stile in DOCX in semantische Markierungen umzuwandeln, die von Markdown erkannt werden können, redundante Seitenlayoutinformationen zu entfernen und die hierarchische Beziehung des Inhalts beizubehalten.

Die Abbildungsregeln folgen dem Prinzip der Semantikpriorität, behalten nur Inhaltsmarkierungen bei, die der Markdown-Spezifikation entsprechen, verwerfen Layoutinformationen wie Seitenränder und Zeilenabstände in Word. Konvertierungswerkzeuge ordnen die entsprechende Überschriftenebene basierend auf den integrierten Stilebenen von Word zu, benutzerdefinierte Stile hängen von den Stilerkennungsregeln des Werkzeugs ab.

Reine Formatkonvertierungswerkzeuge extrahieren nur in Word-Dokumente eingebettete Bilder, generieren die entsprechende Markdown-Bildlink-Syntax und führen keine automatische Cloud-Speicher-Upload von Bildern durch. Extrahierte Bilder behalten die ursprüngliche Dateiauflösung und das Originalformat bei, es erfolgt keine Komprimierung oder Formattranskodierung.

Bei der Dokumentenmigration müssen Nutzer die extrahierten Bilder selbst zum Image-Hosting des Dokumentsystems hochladen und den generierten lokalen Pfad ersetzen, um eine normale Anzeige der Bilder zu ermöglichen.

Aktuelle gängige browserbasierte DOCX to Markdown-Werkzeuge werden auf Basis von mammoth.js entwickelt. Diese Bibliothek unterstützt nur DOCX-Dateien, die der OOXML-Spezifikation entsprechen, und unterstützt keine älteren binären DOC-Dateien.

Ältere DOC-Dateien müssen zunächst über Word oder LibreOffice in das DOCX-Format exportiert werden, anschließend mit einem DOCX to Markdown-Konverter verarbeitet werden, um konforme Konvertierungsergebnisse zu erhalten.

Nach Abschluss der DOCX to Markdown-Konvertierung und Inhaltsüberarbeitung können je nach Veröffentlichungsziel verschiedene Werkzeuge kombiniert werden, um die Lieferung abzuschließen. Für GitBook oder VitePress kann das konvertierte Markdown direkt im Inhaltsverzeichnis des entsprechenden Projekts gespeichert werden, und in Zusammenarbeit mit Build-Werkzeugen wird eine statische Website generiert.

Für Online-Dokumentensysteme wie Yuque kann die konvertierte Markdown-Datei direkt importiert werden, das System führt automatisch die Syntaxwiedergabe durch und behält die ursprüngliche Inhaltshierarchie bei. Wenn ein Export nach PDF oder in ein neues Word-Dokument erforderlich ist, kann Pandoc zur Formatkonvertierung verwendet werden, die Parameter entsprechen der aktuellen offiziellen Angabe.