Conversor de DOCX para Markdown

O que sobrevive à conversão e o que se perde?

O que sobrevive é a estrutura. Títulos se tornam # e ## — e se tornam títulos porque o parágrafo carrega o estilo Heading 1 do Word, não porque é grande e negrito. Negrito e itálico sobrevivem, assim como listas com marcadores e numeradas, incluindo seu aninhamento, hiperlinks com seus alvos, citações em bloco, sobrescrito e subscrito e tabelas.

O que se perde é tudo o que Markdown não tem como dizer. Fontes, tamanhos, cores, destaque, alinhamento, espaçamento de linha, quebras de página, colunas, cabeçalhos e rodapés, números de página, caixas de texto, formas, SmartArt, equações, gráficos e comentários desaparecem. Notas de rodapé e notas finais são convertidas para texto, mas seu posicionamento exato muda. As alterações rastreadas são achatadas: o documento é convertido como se cada alteração tivesse sido aceita, então revise um documento com alterações rastreadas antes de confiar na saída.

Uma ressalva que vale a pena conhecer sobre estilos. Documentos do Word feitos a partir de um modelo frequentemente usam nomes de estilos personalizados — um título estilizado como Report Heading 2 em vez de Heading 2. Esses não são reconhecidos, e o parágrafo é convertido como texto comum. Quando isso acontece, o conversor relata isso nas notas sob a saída, listando cada estilo que não compreendeu. Se seus títulos saíram planos, essa lista é onde a razão estará.

Por que a primeira linha da minha tabela está sendo usada como cabeçalho?

Porque GitHub Flavored Markdown não tem tabela sem um. Cada tabela GFM é uma linha de cabeçalho, um separador | --- | --- | e depois linhas de corpo; não há sintaxe para uma tabela sem cabeçalho. Word, enquanto isso, só registra uma linha como cabeçalho se o autor tiver marcado explicitamente Repeat as header row nas propriedades da tabela, o que quase ninguém faz.

Deixado sozinho, essa combinação significa que a maioria das tabelas reais não pode ser expressa de forma alguma, e o conversor subjacente recua para emitir HTML bruto <table> no meio do seu Markdown. Portanto, esta ferramenta promove a primeira linha de qualquer tabela que não tem linha de cabeçalho marcada e a trata como o cabeçalho.

Essa é uma suposição, e pode estar errada. Se sua tabela começar direto com dados, a primeira linha de dados se tornará o cabeçalho e você precisará adicionar uma linha de volta à mão. É uma troca deliberada: uma linha editável versus um bloco de HTML que nenhum renderizador Markdown vai estilizar.

Mais duas coisas acontecem com as tabelas aqui. Uma célula cujo texto o Word dividiu entre vários parágrafos é unida com <br>, porque uma quebra de linha real dentro de uma linha de tabela Markdown termina a linha e destrói a tabela. E um | literal dentro do texto da célula é escapado para \|, pois um não escapado adicionaria silenciosamente uma coluna a essa linha.

O que acontece com células mescladas em uma tabela?

Elas são desunidas. Markdown não tem mesclagem em tudo: cada linha de uma tabela é o mesmo número de campos separados por |, alinhados por posição, e não há sintaxe que diga "este cabeçalho cobre duas colunas".

Então, uma célula mesclada em duas colunas se torna duas células — a primeira mantém o texto, a segunda fica vazia — e uma célula mesclada em duas linhas se torna a célula mais uma vazia diretamente abaixo dela. O resultado é um retângulo, com as colunas ainda alinhadas sob os cabeçalhos corretos. Lê diferente do original do Word, mas nada se perde, e é uma tabela que seu renderizador desenha.

Isso importa mais do que parece. Deixada sozinha, uma célula de cabeçalho mesclada em duas colunas produz uma linha de cabeçalho mais estreita do que as linhas de corpo, e Markdown com sabor GitHub resolve isso truncando cada linha para a largura do cabeçalho — portanto, uma tabela de três colunas com um cabeçalho mesclado silenciosamente é enviada com sua última coluna deletada.

Duas tabelas não podem ser resgatadas dessa forma, e ambas são emitidas como HTML ordinário em vez de uma tabela Markdown distorcida: uma tabela contendo outra tabela dentro de uma de suas células, que Markdown não tem como expressar, e uma tabela cujas mesclagens reivindicam mais colunas do que qualquer documento real tem. HTML dentro de um arquivo Markdown renderiza corretamente no GitHub e na maioria dos geradores de sites estáticos; uma tabela de tubo quebrada não renderiza em lugar nenhum.

O que acontece com as imagens do meu documento?

Por padrão, elas são descartadas e a ferramenta informa quantas descartou. Há um alternador para incorporá-las, como dados base64 URIs dentro do Markdown.

O padrão está desligado por uma razão prática. Base64 é cerca de um terço maior do que os bytes que codifica, então uma única foto de 2 MB se torna aproximadamente 2,7 MB de texto ilegível sentado no meio do seu documento. Três fotos e o Markdown não é mais algo que uma pessoa pode abrir em um editor. Data URIs também não funcionam em todos os lugares: GitHub as remove do Markdown renderizado, e vários geradores de sites estáticos fazem o mesmo.

Ative o alternador quando o documento tiver uma ou duas imagens pequenas — um logotipo, um diagrama — e você quer um único arquivo independente. Deixe desligado quando as imagens importam, e coloque-as de volta como arquivos ordinários com caminhos ordinários depois.

Meus documentos são carregados em algum lugar?

Não. O .docx é lido nesta aba do navegador. Ele vai do seletor de arquivo para a página através da API de Arquivo, é descompactado e analisado na própria memória da página, e o resultado é texto que nunca deixa sua máquina. Você pode confirmar isso na aba de Rede de suas ferramentas de desenvolvedor, ou desconectando-se da rede após a página ter carregado e convertendo mesmo assim.

A visualização é renderizada dentro de um frame com sandbox com scripts desabilitados, portanto, nada que chegou no seu documento pode executar. O frame também é bloqueado de carregar qualquer coisa pela rede. Essa segunda parte é a que importa na prática: um documento contendo o texto de uma tag de imagem apontando para algum outro site faria, em um frame sem esse bloqueio, fazer seu navegador buscar essa imagem — dizendo a quem executa esse servidor que você havia aberto o documento. Não pode. Imagens já incorporadas no documento, como URIs data:, ainda são exibidas.

O comércio pela privacidade é memória. Tudo acontece no thread principal da página, portanto a aba para de responder enquanto um documento grande é convertido. Acima de 20 MB você verá um aviso dizendo assim; esse é um aviso, não uma recusa. Passado 50 MB o documento é recusado antes de ser aberto, porque o XML descompactado, o HTML e o Markdown devem ser mantidos na aba ao mesmo tempo e a página ficaria sem memória no meio do caminho sem nada a mostrar por isso.

Por que não abrirá meu arquivo .doc, .odt, .rtf ou Pages?

Porque são formatos não relacionados. Um .docx é um arquivo zip de XML, o formato que Word escreve por padrão desde 2007, e é o único que a biblioteca subjacente — mammoth — lê. O .doc mais antigo é um formato de documento composto binário que não compartilha nada com ele a não ser três letras da extensão. .odt é OpenDocument, .rtf é uma marcação de texto simples dos anos 1980, e os arquivos Pages são o formato de pacote próprio da Apple.

Cada um desses pode ser convertido em dez segundos pela aplicação que o fez: abra o arquivo no Word, LibreOffice Writer, Google Docs ou Pages e use Save As ou Export para produzir um .docx. Então coloque o resultado aqui.

O que posso fazer com a saída?

A aba Markdown é a saída principal — copie-a ou baixe como um arquivo .md. A aba HTML é o HTML limpo que o conversor produziu no caminho, que geralmente é o que você quer se o destino é um CMS em vez de um repositório. A aba de visualização renderiza o Markdown para que você possa ver como ficará.

A partir daqui, Markdown ↔ HTML converterá entre os dois formulários novamente após você editá-los, Word Counter fornecerá uma contagem de palavras e tempo de leitura para o texto convertido, e XLSX para CSV / JSON faz o trabalho equivalente para uma pasta de trabalho Excel.