dsProject/dsRag/Test/TestPandoc.py

import re
import subprocess
import os
import uuid

# 可执行文件路径
mtef = r'D:\dsWork\dsProject\dsRag\mtef-go-3\mtef-go.exe'
# docx文件路径
docx_file = 'D:\dsWork\dsProject\dsRag\static\Txt\化学方程式_CHEMISTRY_1.docx'


# 结合Pandoc和mtef-go的结果，合并成最终的输出文本
def get_docx_content_by_pandoc(f, formula_list):
    # StringBuilder结果
    sb = []
    # output_file 设置为临时目录下的uuid.md
    temp_markdown = os.path.join(os.environ['TEMP'], uuid.uuid4().hex + '.md')
    # 调用pandoc将docx文件转换成markdown
    subprocess.run(['pandoc', f, '-f', 'docx', '-t', 'markdown', '-o', temp_markdown])
    # 读取然后修改内容，输出到新的文件
    idx = 0
    with open(temp_markdown, 'r', encoding='utf-8') as f:
        for line in f:
            if line.strip():
                # 改进后的正则表达式，匹配更多格式的MathType公式
                if re.search(r'!\[]\(media/image\d+\.\w+\)', line) or \
                        re.search(r'\.!\[]\(media/image\d+\.\w+\)\.', line):
                    sb.append(formula_list[idx])
                    idx = idx + 1
                else:
                    sb.append(line.strip())

    # 删除临时文件 output_file
    os.remove(temp_markdown)
    return sb


# 获取MathType对应的Latex公式
def getLatexList(docx_file):
    res = []
    output = os.path.join(os.environ['TEMP'], uuid.uuid4().hex + '.txt')
    command = mtef + r" -w " + docx_file + " -o " + output
    os.system(command)
    with open(output, 'r', encoding='utf-8') as file:
        for i, line in enumerate(file):
            res.append(line.strip())
    return res


if __name__ == '__main__':
    # 一、获取Latex公式列表
    formula_list = getLatexList(docx_file)

    # 二、整合最终的拼接完的文本
    sb = get_docx_content_by_pandoc(docx_file, formula_list)

    # 三、输出
    for x in sb:
        print(x)