Batch Convert Word to Markdown: Scripts for Bulk Document Conversion (Conversão em lote de Word para Markdown):

Converter um único documento Word para Markdown leva segundos com WordToMD. But what if you have 50, 100, or 500 .docx files to convert? That’s where batch conversion scripts come in. This guide covers the fastest approaches for Conversão em massa de Word para Markdown.

Quando você precisa de conversão em lote

Se tiver:

• Uma biblioteca de documentação legada no formato Word
• Relatórios semanais que precisam tornar-se páginas Markdown
• Um projeto de migração de conteúdo (Word → site estático, wiki ou base de conhecimento)
• Múltiples autores submetendo Word documentos que publicam para Markdown

Precisas de conversão em lote. Para arquivos individuais, WordToMD continua a ser a opção mais fácil.

Pandoc: O backbone da conversão por lotes

Pandoc é a melhor ferramenta para a conversão por lotes. Instala-o uma vez, depois scripte-o para qualquer volume de arquivos.

Script do Windows PowerShell

# convert-all.ps1
# Converts all .docx files in current directory to .md

$docxFiles = Get-ChildItem -Path "." -Filter "*.docx" -Recurse

foreach ($file in $docxFiles) {
    $outputPath = [System.IO.Path]::ChangeExtension($file.FullName, ".md")
    
    pandoc `
        $file.FullName `
        -t gfm `
        --wrap=none `
        --extract-media="./media" `
        -o $outputPath
    
    Write-Host "✓ $($file.Name) → $([System.IO.Path]::GetFileName($outputPath))"
}

Write-Host "Done. Converted $($docxFiles.Count) files."

Corra:

.\convert-all.ps1

Bash Script (macOS / Linux)

#!/bin/bash
# convert-all.sh
# Converts all .docx files recursively

OUTPUT_DIR="./markdown-output"
mkdir -p "$OUTPUT_DIR"

find . -name "*.docx" | while read -r docx_file; do
    filename=$(basename "$docx_file" .docx)
    output="$OUTPUT_DIR/$filename.md"
    
    pandoc \
        "$docx_file" \
        -t gfm \
        --wrap=none \
        --extract-media="$OUTPUT_DIR/media" \
        -o "$output"
    
    echo "✓ $docx_file → $output"
done

echo "Done."

Corra:

chmod +x convert-all.sh
./convert-all.sh

Python Script para casos de uso avançados

Pythons python-docx biblioteca e Pandoc subprocesso abordagem dá mais controle:

#!/usr/bin/env python3
"""
batch_convert.py — Convert all .docx files to Markdown with frontmatter injection
"""

import os
import subprocess
import sys
from pathlib import Path
from datetime import datetime

INPUT_DIR = Path("./word-docs")
OUTPUT_DIR = Path("./markdown-output")
OUTPUT_DIR.mkdir(exist_ok=True)

def convert_file(docx_path: Path) -> Path:
    """Convert a .docx file to GFM Markdown using Pandoc."""
    output_path = OUTPUT_DIR / docx_path.with_suffix(".md").name
    
    result = subprocess.run(
        [
            "pandoc",
            str(docx_path),
            "-t", "gfm",
            "--wrap=none",
            f"--extract-media={OUTPUT_DIR}/media",
            "-o", str(output_path)
        ],
        capture_output=True,
        text=True
    )
    
    if result.returncode != 0:
        print(f"  ERROR: {result.stderr}", file=sys.stderr)
        return None
    
    return output_path

def add_frontmatter(md_path: Path, title: str) -> None:
    """Prepend YAML frontmatter to a Markdown file."""
    frontmatter = f"""---
title: "{title}"
date: {datetime.now().strftime('%Y-%m-%d')}
draft: false
---

"""
    content = md_path.read_text(encoding="utf-8")
    md_path.write_text(frontmatter + content, encoding="utf-8")

def main():
    docx_files = list(INPUT_DIR.glob("**/*.docx"))
    
    if not docx_files:
        print(f"No .docx files found in {INPUT_DIR}")
        return
    
    print(f"Converting {len(docx_files)} files...")
    
    success = 0
    for docx_path in docx_files:
        print(f"  Converting: {docx_path.name}")
        
        output_path = convert_file(docx_path)
        if output_path:
            # Use filename (without extension) as title, replace hyphens/underscores
            title = docx_path.stem.replace("-", " ").replace("_", " ").title()
            add_frontmatter(output_path, title)
            print(f"  ✓ → {output_path.name}")
            success += 1
        else:
            print(f"  ✗ Failed: {docx_path.name}")
    
    print(f"\nDone: {success}/{len(docx_files)} files converted.")

if __name__ == "__main__":
    main()

Corra:

python3 batch_convert.py

Adicionamento automático de conteúdo

Os geradores estáticos precisam de material de frente. O script Python acima adiciona matéria de frente básica. Para uma abordagem mais completa, extraia o título do documento do primeiro título H1:

def extract_title(md_content: str) -> str:
    """Extract the first H1 heading as the title."""
    for line in md_content.splitlines():
        if line.startswith("# "):
            return line[2:].strip()
    return "Untitled"

Então, atualize o add_frontmatter Aplicar o título extraído.

Preservar a estrutura do diretório

Ao converter uma estrutura de pastas aninhadas, manter a hierarquia:

# Bash: preserve subdirectory structure
find ./word-docs -name "*.docx" | while read -r docx; do
    # Calculate relative path
    rel_path="${docx#./word-docs/}"
    output_dir="./markdown-output/$(dirname "$rel_path")"
    mkdir -p "$output_dir"
    
    output="$output_dir/$(basename "$docx" .docx).md"
    pandoc "$docx" -t gfm --wrap=none -o "$output"
    echo "✓ $rel_path"
done

Manuseio de imagens em conversão por lotes

Com --extract-media, Pandoc extrai todas as imagens para uma pasta. O desafio: múltiplos arquivos .docx podem produzir arquivos com nomes idênticos (e.g., image1.png)). Use um subdiretório por documento:

for docx_file in *.docx; do
    slug="${docx_file%.docx}"
    mkdir -p "./media/$slug"
    
    pandoc "$docx_file" \
        -t gfm \
        --wrap=none \
        --extract-media="./media/$slug" \
        -o "$slug.md"
done

Desempenho para grandes conjuntos

Para grandes conjuntos de documentos (100+ ficheiros):

• Pandoc processa um arquivo por invocação isso é bom para até ~ 100 arquivos
• Para mais de 500 arquivos, use o GNU Parallel para processamento simultâneo:

find . -name "*.docx" | \
parallel pandoc {} -t gfm --wrap=none -o {.}.md

Instalar o GNU Parallel: brew install parallel / sudo apt install parallel

Validação da qualidade do produto

Após a conversão por lotes, verifique a sua saída:

1. Amostra aleatória Abrir 5-10 arquivos convertidos e comparar com os originais
2. Contagem das mesas Contar tabelas em um documento e verificar se todas foram convertidas
3. Níveis de cabeçalho Garantir a preservação da hierarquia de cabeçalhos
4. Ligações quebradas Procure Markdown links e verifique se eles resolvem

Um script de verificação simples:

# Count files with no headings (might indicate conversion failure)
for md in ./markdown-output/*.md; do
    if ! grep -q "^#" "$md"; then
        echo "No headings found: $md"
    fi
done

FAQ

Posso converter por lotes arquivos .doc (formato Word antigo)? Salve-os como .docx primeiro. O recurso de macro Words pode salvar em lote: Ferramentas → Macros → executar uma macro SaveAs em todos os arquivos abertos. O LibreOffice também pode converter em lotes via linha de comando: soffice --headless --convert-to docx *.doc.

Quanto tempo leva a conversão em lote? Pandoc converte um documento típico de 10 páginas em menos de um segundo. 100 arquivos = aproximadamente 1-2 minutos. Documentos muito grandes (mais de 100 páginas) demoram mais tempo.

Estou a receber o comando "pandoc" não encontrado no meu script. Certifique-se de que Pandoc está instalado e no seu PATH. Corra . which pandoc (macOS/Linux) ou Get-Command pandoc (PowerShell) para verificar.

Posso executar a conversão por lotes no Windows sem o PowerShell? Sim utilizar um .bat arquivo ou instalar o Git Bash para executar os scripts bash.

Guia Relacionado

• Pandoc Word para Markdown Referência Pandoc completa
• Word para o gerador de site estático Publicação de conteúdos convertidos
• Word para GitBook Migração para GitBook

Conclusão

Conversão de lote Word para Markdown é direto com Pandoc e algumas linhas de script. Os scripts PowerShell e Bash acima lidam com a maioria dos cenários. Para frontmatter personalizado, preservação de estrutura de diretório, ou manipulação de imagens, o script Python dá-lhe controle total. Para conversões pontuais, WordToMD continua a ser a opção mais rápida.