如何用Python调用Pandoc按README顺序将Markdown合并转成DOCX

问题背景 #

你的项目结构如下：

Project:
├── img
├── docs
└── README.md

README.md通过链接定义了文档的规范阅读顺序，但原脚本直接遍历docs目录收集文件，完全忽略了README指定的顺序，也未处理重复引用的文件。

解决方案 #

核心思路是从README.md中提取所有链接指向的文档路径，严格遵循原顺序，去重后传给pandoc执行合并。

实现步骤 #

1. 读取README.md内容，用正则匹配所有[xxx](path)格式的链接路径
2. 统一路径格式（去掉开头的/，确保为相对项目根目录的路径）
3. 过滤目标文件（仅保留Markdown文件，可按需调整）
4. 去重处理，避免重复合并同一文件
5. 调用pandoc时指定资源路径，确保文档内的图片能正常加载

完整Python脚本 #

import os
import re

def get_ordered_files_from_readme(readme_path):
    # 读取README内容
    with open(readme_path, 'r', encoding='utf-8') as f:
        content = f.read()
    
    # 匹配所有Markdown链接的路径部分
    pattern = re.compile(r'\[.*?\]\((.*?)\)')
    all_paths = pattern.findall(content)
    
    ordered_files = []
    seen_files = set()
    
    for path in all_paths:
        # 统一路径格式，去除开头的/
        cleaned_path = path.lstrip('/')
        # 仅处理Markdown文件，若需包含其他格式可移除该判断
        if cleaned_path.endswith('.md'):
            # 验证文件存在性
            if os.path.exists(cleaned_path):
                # 去重，避免重复添加
                if cleaned_path not in seen_files:
                    ordered_files.append(cleaned_path)
                    seen_files.add(cleaned_path)
    return ordered_files

if __name__ == '__main__':
    # 项目根目录，若脚本不在Project下运行，需改为绝对路径
    project_root = '.'
    readme_path = os.path.join(project_root, 'README.md')
    output_file = 'output.docx'
    
    # 获取按README顺序排列的文件列表
    markdown_files = get_ordered_files_from_readme(readme_path)
    
    if not markdown_files:
        print('未找到有效Markdown文件')
        exit(1)
    
    # 构造pandoc命令，指定资源路径确保图片正常加载
    pandoc_cmd = f'pandoc --resource-path="{project_root}" {" ".join(markdown_files)} -o {output_file}'
    os.system(pandoc_cmd)
    print(f'合并完成，输出文件：{output_file}')

关键说明 #

• 路径统一：通过lstrip('/')处理链接中的绝对路径（如/docs/331.md），避免文件查找失败
• 去重逻辑：用集合seen_files记录已添加的文件，防止重复合并同一文档
• 资源路径：--resource-path参数告诉pandoc从项目根目录查找图片等资源，确保文档内的图片能正常渲染
• 格式过滤：若需要合并a_shorts.en这类非Markdown文件，移除endswith('.md')的判断即可

内容的提问来源于stack exchange，提问作者M.Kara