3c1b268074
來源檔名含空格或不平衡括號時，convert 產出的 Markdown 圖片連結會失效—— 圖檔明明存在於磁碟，整行卻退化成純文字（CommonMark 對未包住的空格與不平衡 括號視為分隔符）。用真 CommonMark parser 驗過：中文與成對括號正常，空格與 落單括號會壞。 - convert.py / from_docx.py / from_pdf.py / from_pptx.py：四處圖片連結目標 一律以 <> 包住（），同時涵蓋空格與不平衡括號。 - selfcheck.py：新增 assert_links_ok()——以 markdown_it 真 render，斷言圖片 連結數 == <img> 數且目標檔存在，取代原本只檢查 "![" 字串在不在的表面斷言。 測資補內嵌圖片（docx/pdf/pptx 各一路徑）、檔名改含空格與不平衡括號。 - requirements.txt：明確宣告 markdown-it-py（原為 fastmcp 傳遞依賴，自檢直接 使用，宣告以免上游調整依賴樹後自檢失效）。 - AGENTS.md §13.4：新增「斷言要驗結果可用，不是驗字串存在」規則。 驗證：四個自檢全通過；移除任一處 <> 修法，assert_links_ok 即失敗。 ingest / lint / search 在含括號檔名下全鏈路已另行驗證正常（source_ref 走 YAML 純量，不受影響）。 Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
76 lines
2.7 KiB
Python
76 lines
2.7 KiB
Python
"""PowerPoint (.pptx) → Markdown。每張投影片一節，含表格、圖片佔位與講者備註。
|
||
|
||
可獨立執行：python tools/convert/from_pptx.py <file.pptx> [-o out.md] [--dry-run]
|
||
"""
|
||
import argparse
|
||
import pathlib
|
||
|
||
from pptx import Presentation
|
||
from pptx.enum.shapes import MSO_SHAPE_TYPE
|
||
|
||
|
||
def _table_md(tbl):
|
||
rows = [
|
||
[c.text.strip().replace("|", "\\|").replace("\n", " ") for c in row.cells]
|
||
for row in tbl.rows
|
||
]
|
||
if not rows:
|
||
return ""
|
||
width = len(rows[0])
|
||
out = ["| " + " | ".join(rows[0]) + " |", "|" + " --- |" * width]
|
||
out += ["| " + " | ".join(r) + " |" for r in rows[1:]]
|
||
return "\n".join(out)
|
||
|
||
|
||
def convert(src, assets_dir=None, md_dir=None):
|
||
"""回傳 (markdown, status)。status 恆為 'ok'。"""
|
||
src = pathlib.Path(src)
|
||
md_dir = pathlib.Path(md_dir) if md_dir else src.parent
|
||
prs = Presentation(str(src))
|
||
counter = 0
|
||
sections = []
|
||
for i, slide in enumerate(prs.slides, 1):
|
||
blocks = [f"## Slide {i}"]
|
||
for shape in slide.shapes:
|
||
if shape.has_text_frame and shape.text_frame.text.strip():
|
||
blocks.append(shape.text_frame.text.strip())
|
||
elif shape.has_table:
|
||
blocks.append(_table_md(shape.table))
|
||
elif shape.shape_type == MSO_SHAPE_TYPE.PICTURE:
|
||
counter += 1
|
||
name = f"img{counter}.{shape.image.ext}"
|
||
if assets_dir is not None:
|
||
assets_dir.mkdir(parents=True, exist_ok=True)
|
||
(assets_dir / name).write_bytes(shape.image.blob)
|
||
rel = (assets_dir / name).relative_to(md_dir).as_posix()
|
||
else:
|
||
rel = name
|
||
# <> 包住：檔名含空格或不平衡括號時，未包住的連結會失效
|
||
blocks.append(f"")
|
||
if slide.has_notes_slide:
|
||
notes = slide.notes_slide.notes_text_frame.text.strip()
|
||
if notes:
|
||
blocks.append(f"### 講者備註\n\n{notes}")
|
||
sections.append("\n\n".join(blocks))
|
||
return "\n\n".join(sections), "ok"
|
||
|
||
|
||
def main(argv=None):
|
||
ap = argparse.ArgumentParser(description=__doc__)
|
||
ap.add_argument("src")
|
||
ap.add_argument("-o", "--output")
|
||
ap.add_argument("--dry-run", action="store_true")
|
||
a = ap.parse_args(argv)
|
||
if a.dry_run:
|
||
md, status = convert(a.src)
|
||
print(f"[dry-run] {a.src}: status={status}, {len(md)} chars")
|
||
return
|
||
out = pathlib.Path(a.output) if a.output else pathlib.Path(a.src).with_suffix(".md")
|
||
md, _ = convert(a.src, assets_dir=out.parent / f"{out.stem}-assets", md_dir=out.parent)
|
||
out.write_text(md, encoding="utf-8")
|
||
print(out)
|
||
|
||
|
||
if __name__ == "__main__":
|
||
main()
|