indexdoc-converter 0.2.1__py3-none-any.whl → 0.2.2__py3-none-any.whl

indexdoc_converter/excel_to_md.py

@@ -7,7 +7,7 @@ from typing import List, Dict, Tuple
 import numpy as np
 import pandas as pd
 
-from utils import FileUtil
+from indexdoc_converter.utils import FileUtil
 
 pd.set_option('future.no_silent_downcasting', True)
 

indexdoc_converter/html_to_md.py

@@ -10,7 +10,7 @@ from PIL import Image
 from readability import Document
 import html2text
 
-from utils.img_to_base64 import Image2Base64
+from indexdoc_converter.utils.img_to_base64 import Image2Base64
 
 # ============ 图片下载和处理类 ============
 class ImageDownloader:

indexdoc_converter/pptx_to_md.py

@@ -1,79 +1,176 @@
 import pptx2md
 from pathlib import Path
+import os
 import tempfile
+import shutil  # 新增：用于清理临时目录
 
-from utils import IDUtil
+
+
+from indexdoc_converter.utils.img_to_base64 import OutputFormat
+from indexdoc_converter.utils.img_to_base64 import Image2Base64
+from indexdoc_converter.utils import IDUtil
+
+def replace_img_with_base64(md_file: Path, img_dir: Path, del_temp_img: bool = True):
+    """
+    终极修复版：解决URL编码(%5C)、Windows反斜杠、相对/绝对路径等所有匹配问题
+    :param md_file: 生成的MD文件路径
+    :param img_dir: pptx2md导出的临时图片目录
+    :param del_temp_img: 是否删除临时图片/目录（推荐True）
+    """
+    import urllib.parse  # 内置库，无需额外安装，处理URL编码/解码
+
+    if not md_file.exists() or not img_dir.is_dir():
+        print(f"⚠ 跳过Base64替换：MD文件或图片目录不存在")
+        return
+
+    # 1. 读取MD内容，保留原始编码格式
+    with open(md_file, 'r', encoding='utf-8') as f:
+        md_content = f.read()
+
+    img_path_2_b64 = {}
+    # 2. 遍历临时图片，生成所有需要匹配的路径格式 + Base64映射
+    for img_file in img_dir.glob("*.*"):
+        if not img_file.is_file():
+            continue
+        try:
+            # 调用你的Base64工具类生成MD格式的Base64（参数可按需求调整）
+            b64_md_str = Image2Base64.convert_file(
+                image_path=img_file,
+                max_dim=1200,
+                max_kb=200,
+                force_webp=True,
+                out_format=OutputFormat.MARKDOWN_ALT,
+                quality=80
+            )
+
+            # 关键：生成5种需要替换的路径格式，覆盖pptx2md所有生成情况
+            img_dir_name = img_dir.name  # 临时目录名（如4fb6cc7bfcbb11f0aefebc2411ecbf31_pptx_imgs）
+            img_name = img_file.name     # 图片名（如测试文件_0.jpg）
+            # 格式1：绝对路径（C:\Temp\xxx_imgs\测试文件_0.jpg）
+            img_path_2_b64[str(img_file)] = b64_md_str
+            # 格式2：纯文件名（测试文件_0.jpg）
+            img_path_2_b64[img_name] = b64_md_str
+            # 格式3：Windows原始反斜杠相对路径（xxx_imgs\测试文件_0.jpg）
+            win_relative_path = f"{img_dir_name}\\{img_name}"
+            img_path_2_b64[win_relative_path] = b64_md_str
+            # 格式4：URL编码后的相对路径（xxx_imgs%5C测试文件_0.jpg）【核心修复项】
+            url_encoded_path = urllib.parse.quote(win_relative_path, safe='')
+            img_path_2_b64[url_encoded_path] = b64_md_str
+            # 格式5：正斜杠相对路径（xxx_imgs/测试文件_0.jpg）【兼容兜底】
+            slash_relative_path = f"{img_dir_name}/{img_name}"
+            img_path_2_b64[slash_relative_path] = b64_md_str
+
+        except Exception as e:
+            print(f"⚠ 单张图片转Base64失败: {img_file.name} | 错误: {e}")
+            continue
+
+    # 3. 批量替换：按「长路径优先」替换，避免短路径匹配冲突
+    # 排序：路径越长越先替换，防止纯文件名先匹配导致长路径替换失败
+    for raw_img_path in sorted(img_path_2_b64.keys(), key=len, reverse=True):
+        md_content = md_content.replace('![]('+raw_img_path+')', img_path_2_b64[raw_img_path])
+
+    # 4. 重写MD文件，写入Base64内嵌内容
+    with open(md_file, 'w', encoding='utf-8') as f:
+        f.write(md_content)
+
+    # 5. 清理临时图片目录，避免冗余
+    if del_temp_img:
+        try:
+            import shutil
+            shutil.rmtree(img_dir)
+            print(f"✅ 清理临时图片目录完成: {img_dir.name}")
+        except Exception as e:
+            print(f"⚠ 临时图片目录清理失败: {e}")
 
 def pptx_to_md(pptx_file):
-    md_file_path = Path(tempfile.gettempdir()) / f"{IDUtil.get_uuid()}.md"
+    """单文件PPT转MD：图片自动转为Base64内嵌"""
+    # 生成唯一的MD文件名和专属图片临时目录（避免多文件冲突）
+    uuid_str = IDUtil.get_uuid()
+    md_file_path = Path(tempfile.gettempdir()) / f"{uuid_str}.md"
+    temp_img_dir = Path(tempfile.gettempdir()) / f"{uuid_str}_pptx_imgs"
+    temp_img_dir.mkdir(parents=True, exist_ok=True)  # 创建专属图片目录
+
+    # 配置pptx2md转换参数
     config = pptx2md.ConversionConfig(
         pptx_path=pptx_file,
         output_path=md_file_path,
-        image_dir=Path(tempfile.gettempdir()),
-        disable_notes=True  # 根据需求选择是否禁用备注页
+        image_dir=temp_img_dir,  # 图片导出到「专属临时目录」，而非全局临时目录
+        disable_notes=True       # 根据需求调整：是否禁用PPT备注页转换
     )
+    # 执行PPT转MD（此时MD中是图片路径，图片在临时目录）
     pptx2md.convert(config)
+    # 核心步骤：调用替换函数，将MD中的图片路径改为Base64内嵌
+    replace_img_with_base64(md_file_path, temp_img_dir)
+
     return md_file_path
 
+
 def batch_pptx_to_md(input_dir: str, output_dir: str = None, image_dir: str = None):
     """
-    使用指定的输入目录中的所有 .pptx 文件，并将它们转换为 Markdown 文件。
-
+    批量PPT转MD：图片自动转为Base64内嵌（原image_dir参数失效，无需传值）
     Args:
         input_dir (str): 包含 PPTX 文件的文件夹路径
         output_dir (str, optional): 输出 Markdown 文件的文件夹。若为 None，则输出到与 PPTX 相同位置
-        image_dir (str, optional): 图片保存目录。如果需要导出图片的话设置此项
+        image_dir (str, optional): 兼容原参数，实际已失效（图片不再导出到该目录，直接内嵌Base64）
     """
     input_path = Path(input_dir)
     if not input_path.exists() or not input_path.is_dir():
         raise ValueError(f"输入目录不存在或不是文件夹: {input_dir}")
 
-    # 如果没有指定输出目录，则默认为输入目录
+    # 处理输出目录
     if output_dir is None:
         output_path = input_path
     else:
         output_path = Path(output_dir)
         output_path.mkdir(parents=True, exist_ok=True)
 
-    # 如果需要导出图片，创建图片目录
-    if image_dir:
-        img_path = Path(image_dir)
-        img_path.mkdir(parents=True, exist_ok=True)
-    else:
-        img_path = None
-
+    # 筛选所有pptx文件
     pptx_files = list(input_path.glob("*.pptx"))
     if not pptx_files:
         print(f"在 {input_dir} 中未找到 .pptx 文件")
         return
 
-    print(f"发现 {len(pptx_files)} 个 PPTX 文件，开始转换...")
+    print(f"发现 {len(pptx_files)} 个 PPTX 文件，开始转换（图片自动Base64内嵌）...\n")
 
+    # 批量转换
     for pptx_file in pptx_files:
         try:
             md_file = output_path / f"{pptx_file.stem}.md"
+            # 为当前PPT创建专属临时图片目录（避免多PPT图片冲突）
+            uuid_str = IDUtil.get_uuid()
+            temp_img_dir = Path(tempfile.gettempdir()) / f"{uuid_str}_{pptx_file.stem}_imgs"
+            temp_img_dir.mkdir(parents=True, exist_ok=True)
 
+            # 配置pptx2md
             config = pptx2md.ConversionConfig(
                 pptx_path=pptx_file,
                 output_path=md_file,
-                image_dir=img_path,
-                disable_notes=True  # 根据需求选择是否禁用备注页
+                image_dir=temp_img_dir,  # 图片导出到专属临时目录
+                disable_notes=True
             )
 
-            print(f"正在转换: {pptx_file.name} → {md_file.name}")
-
+            print(f"正在转换: {pptx_file.name}")
             pptx2md.convert(config)
-            print(f"✅ 成功: {md_file.name}")
+            # 核心：替换图片路径为Base64
+            replace_img_with_base64(md_file, temp_img_dir)
+            print(f"✅ 转换成功: {md_file.name}\n")
+
         except Exception as e:
-            print(f"❌ 失败: {pptx_file.name} - {e}")
+            print(f"❌ 转换失败: {pptx_file.name} | 错误: {e}\n")
+            continue
 
-    print("批量转换完成！")
+    print("📌 批量转换完成！所有MD文件均为图片Base64内嵌格式")
 
 
 if __name__ == "__main__":
-    # 你可以在这里直接设置路径，或者通过命令行参数传递
-    input_folder = r'D:\测试目录_全面\ppt'  # 替换为你的PPTX文件夹路径
-    output_folder = './markdown_out'  # 可选，设为None则输出到原目录
-    image_folder = './markdown_out/images'  # 如果你需要导出图片，设置此路径；否则保持None
-
-    batch_pptx_to_md(input_folder, output_folder, image_folder)
+    # 配置你的路径（image_folder无需传值，已失效）
+    input_folder = r'D:\测试目录_全面\ppt'  # 你的PPT文件夹路径
+    output_folder = './markdown_out'       # MD输出路径，设为None则输出到PPT同目录
+    # image_folder = None  # 无需设置，图片直接Base64内嵌，该参数失效
+
+    # 执行批量转换
+    batch_pptx_to_md(
+        input_dir=input_folder,
+        output_dir=output_folder,
+        # image_dir无需传值，保留原参数仅为兼容
+    )

{indexdoc_converter-0.2.1.dist-info → indexdoc_converter-0.2.2.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: indexdoc_converter
-Version: 0.2.1
+Version: 0.2.2
 Summary: 可以将Word文档(仅.docx)、Excel表格、Html网页、PPt文件 转化为Markdown文件。
 Home-page: https://github.com/indexdoc/indexdoc-converter.git
 Author: 杭州智予数信息技术有限公司

{indexdoc_converter-0.2.1.dist-info → indexdoc_converter-0.2.2.dist-info}/RECORD

@@ -1,13 +1,13 @@
 indexdoc_converter/__init__.py,sha256=47DEQpj8HBSa-_TImW-5JCeuQeRkm5NMpJWZG3hSuFU,0
 indexdoc_converter/docx_to_md.py,sha256=nSMqmx8Bb-mnBtqYu1XFujJouYKYaoCh2rgusFvWhIU,2285
-indexdoc_converter/excel_to_md.py,sha256=oK2VFTmpCYqK-uXrCiaCXXWE_Q0Hbn5xTOPeMLKiE2U,27167
-indexdoc_converter/html_to_md.py,sha256=CUX0TVoSdHAUybC4FZEz7Z_-verEV3HU5gp8IUFlgVE,17224
-indexdoc_converter/pptx_to_md.py,sha256=IeVsQ22CE8bgfsBZT5lre8LghUDYNaV9rgbhrn9PQGw,2944
+indexdoc_converter/excel_to_md.py,sha256=OIGnLDVu0Lq9A_hnGa_fPAXTHiKIJOZAfqCIgwn2SwQ,27186
+indexdoc_converter/html_to_md.py,sha256=XJ54WcU2VOtQasAEp4BqxiBhAY2uG_IVAb9-2qd_uB4,17243
+indexdoc_converter/pptx_to_md.py,sha256=C4YYSKMA7Qu58-FYo1fhN-Hp1zKUapcjteeVcyalNn4,7826
 indexdoc_converter/utils/FileUtil.py,sha256=N0lTD50OkzidRpHP3ucb1EJU2Hn1q5OPxqz9iPBqEL8,1390
 indexdoc_converter/utils/IDUtil.py,sha256=UKGbnLEkvUyMBIkfWRB8C2bZ-yvofRcKM945Z21P_dE,1018
 indexdoc_converter/utils/__init__.py,sha256=47DEQpj8HBSa-_TImW-5JCeuQeRkm5NMpJWZG3hSuFU,0
 indexdoc_converter/utils/img_to_base64.py,sha256=KPhslxfWjze9KdKsQYqLApWWT0B4raav2Zz1MrwlziA,8287
-indexdoc_converter-0.2.1.dist-info/METADATA,sha256=inDscnLP1JbX_TQW3YcQFXfOMQWiprUCigjv7saCaqk,3065
-indexdoc_converter-0.2.1.dist-info/WHEEL,sha256=_zCd3N1l69ArxyTb8rzEoP9TpbYXkqRFSNOD5OuxnTs,91
-indexdoc_converter-0.2.1.dist-info/top_level.txt,sha256=Tqm-Q3tVPYwA5wyVSClNovUi1IwLvw6M2vlhi-WbNMs,19
-indexdoc_converter-0.2.1.dist-info/RECORD,,
+indexdoc_converter-0.2.2.dist-info/METADATA,sha256=002u_GLvR5T6-WQVkUtI8RF2M_sVjRTzxpoFweuMEsU,3065
+indexdoc_converter-0.2.2.dist-info/WHEEL,sha256=_zCd3N1l69ArxyTb8rzEoP9TpbYXkqRFSNOD5OuxnTs,91
+indexdoc_converter-0.2.2.dist-info/top_level.txt,sha256=Tqm-Q3tVPYwA5wyVSClNovUi1IwLvw6M2vlhi-WbNMs,19
+indexdoc_converter-0.2.2.dist-info/RECORD,,