Comments 8
В репозитории подозрительно мало кода. Это вызвало любопытство, пробежался глазами по реализации. Оказалось, что либа чуть более чем полностью состоит из набора хаков и довольно прямолинейных способов распарсить разные форматы файлов. Несколько рандомных строчек, за которые зацепился глаз:
alt_text = shape._element._nvXxPr.cNvPr.attrib.get("descr", "")
qs["u"][0][2:].strip() + "=="
except ValueError: # It's not clear if this ever gets thrown
Todo
Кажется, что раньше Microsoft делал либы покачественнее...
Как Гвидо их научил, так и лепят =)
Вроде всё простоclass DocxConverter(HtmlConverter): А для ковертации Excel используют import pandas as pd
""" Converts DOCX files to Markdown. Style information (e.g.m headings) and tables are preserved where possible. """
...
result = mammoth.convert_to_html(docx_file, style_map=style_map)
Они просто выложили свою обертку, в которой в однотипные команды обернули уже существующие библиотеки. По сути ничего нового и радоваться нечему, просто выдёргивание текстовой информации из файлов чтоб потом скормить нейросетке.
Так а зачем переусложнять? 90% документов базового пользователя покроет, а для того, чтобы оставшиеся сложные кейсы добить, и ста лет не хватит
Visio не завезли?
А зачем оно? Есть же pandoc
Microsoft выпустила MarkItDown — открытый инструмент на Python для преобразования файлов и офисных документов в Markdown