MarkItDown DOCX图片提取插件

这个插件扩展了 MarkItDown，能够将 Word 文档（.docx）中的图片提取到指定目录，并在生成的 Markdown 中使用相对路径引用这些图片。

功能特点

• ✅ 自动从 DOCX 文件中提取所有图片
• ✅ 保存图片到指定目录（默认为 docx_images/）
• ✅ 在 Markdown 中使用相对路径引用图片
• ✅ 避免 Data URI 导致的 Markdown 文件过大
• ✅ 生成唯一的图片文件名（基于原文档名 + UUID）
• ✅ 支持配置图片服务器host（通过环境变量）
• ✅ 自动转换 Word 公式为 LaTeX 格式（OMML → $...$）
• ✅ 优先级设置确保在标准转换器之前运行（priority=-1.0）

问题解决

默认行为的问题

MarkItDown 默认将 DOCX 中的图片转换为 base64 编码的 Data URI，这会导致：

• Markdown 文件变得非常大
• 不利于版本控制
• 某些编辑器无法正确显示

本插件的解决方案

将图片提取为独立文件，使用相对路径引用：

![图片描述](docx_images/document_image1_a3f7b8c9d1e2.png)
![图片描述](docx_images/document_image2_f9e4d3c2b1a0.jpg)

或者使用图片服务器的完整URL：

![图片描述](https://cdn.example.com/docx_images/document_image1_a3f7b8c9d1e2.png)
![图片描述](https://cdn.example.com/docx_images/document_image2_f9e4d3c2b1a0.jpg)

安装

1. 首先确保已安装 MarkItDown：

pip install markitdown[docx]

2. 安装本插件：

cd /path/to/markitdown-docx-image-plugin
pip install -e .

3. 验证插件已安装：

markitdown --list-plugins

应该看到：

Installed MarkItDown 3rd-party Plugins:

  * docx_image_extractor    (package: markitdown_docx_image_plugin)

使用方法

命令行使用

# 基本用法（图片保存到 docx_images/ 目录）
markitdown --use-plugins document.docx -o output.md

# 图片和 markdown 会分别生成：
# - output.md （包含相对路径的图片引用）
# - docx_images/document_image1_a3f7b8c9d1e2.png
# - docx_images/document_image2_f9e4d3c2b1a0.jpg

Python API 使用

from markitdown import MarkItDown

# 启用插件
md = MarkItDown(enable_plugins=True)

# 转换文档（使用默认图片目录 "docx_images"）
result = md.convert("document.docx")

# 保存 markdown
with open("output.md", "w", encoding="utf-8") as f:
    f.write(result.markdown)

# 图片会自动保存到 docx_images/ 目录

自定义图片输出目录

from markitdown import MarkItDown

# 启用插件并指定图片目录
md = MarkItDown(
    enable_plugins=True, 
    image_output_dir="assets/images"
)

result = md.convert("document.docx", image_output_dir="assets/images")

with open("output.md", "w", encoding="utf-8") as f:
    f.write(result.markdown)

# 图片会保存到 assets/images/ 目录

配置图片服务器host

通过设置环境变量 IMAGE_SERVER_HOST，可以让生成的 Markdown 使用完整的图片服务器URL，而不是相对路径：

# 使用相对路径（默认）
markitdown --use-plugins document.docx -o output.md
# 生成: ![](docx_images/doc_image1_a3f7b8c9d1e2.png)

# 使用图片服务器URL
export IMAGE_SERVER_HOST="https://cdn.example.com"
markitdown --use-plugins document.docx -o output.md
# 生成: ![](https://cdn.example.com/docx_images/doc_image1_a3f7b8c9d1e2.png)

在Python中使用：

import os
from markitdown import MarkItDown

# 设置图片服务器host
os.environ['IMAGE_SERVER_HOST'] = 'https://cdn.example.com'

# 启用插件
md = MarkItDown(enable_plugins=True)

# 转换文档
result = md.convert("document.docx")

# 生成的图片引用将使用完整URL
# ![](https://cdn.example.com/docx_images/document_image1_a3f7b8c9d1e2.png)

应用场景：

• 本地开发时不设置环境变量，使用相对路径
• 生产环境中设置环境变量，使用CDN或图片服务器的完整URL
• 自动化处理时可根据需要动态配置

工作原理

1. 提取图片：使用 mammoth 从 DOCX 文件中提取所有图片
2. 生成唯一文件名：文件名格式为 {文档名}_image{序号}_{UUID}.{扩展名}，其中UUID确保文件名唯一性
3. 保存文件：将图片保存到指定目录
4. 生成图片引用：根据环境变量 IMAGE_SERVER_HOST 决定使用相对路径还是完整URL
5. 转换 Markdown：将 HTML 转换为 Markdown

输出示例

输入文件： report.docx（包含2张图片）

输出结构：

report.md
docx_images/
  ├── report_image1_a3f7b8c9d1e2.png
  └── report_image2_f9e4d3c2b1a0.jpg

report.md 内容（相对路径模式）：

# 报告标题

这是报告的第一段文字。

![图表1](docx_images/report_image1_a3f7b8c9d1e2.png)

这是更多内容。

![照片](docx_images/report_image2_f9e4d3c2b1a0.jpg)

report.md 内容（配置图片服务器后）：

# 报告标题

这是报告的第一段文字。

![图表1](https://cdn.example.com/docx_images/report_image1_a3f7b8c9d1e2.png)

这是更多内容。

![照片](https://cdn.example.com/docx_images/report_image2_f9e4d3c2b1a0.jpg)

注意事项

1. 目录创建：插件会自动创建图片输出目录（如果不存在）
2. 文件命名：图片文件名包含UUID（12位），确保唯一性，避免冲突
3. 相对路径 vs 完整URL：
   • 未设置 IMAGE_SERVER_HOST：使用相对路径（如 docx_images/file.png）
   • 设置了 IMAGE_SERVER_HOST：使用完整URL（如 https://cdn.example.com/docx_images/file.png）
4. 环境变量：IMAGE_SERVER_HOST 会自动移除末尾的斜杠，确保URL格式正确

依赖项

• markitdown>=0.0.2
• mammoth - 用于读取 DOCX 文件
• beautifulsoup4 - 用于解析 HTML
• markdownify - 用于将 HTML 转换为 Markdown

许可证

MIT License

贡献

欢迎提交 Issue 和 Pull Request！