如何在将docx转Markdown时去除链接中的span下划线？

嘿，这个坑我之前帮不少人踩过！除了用sed做文本替换，还有几个更优雅、精准的解决方案，完全符合CommonMark的规范：

1. 用Pandoc Lua过滤器（首推） #

Lua过滤器是Pandoc官方亲儿子级的自定义工具，能直接操作文档的AST（抽象语法树），比sed那种文本替换靠谱多了，不会误伤其他内容。

你可以写个简单的脚本，比如命名为clean-link-spans.lua，内容如下：

function Link(link)
  local cleanText = {}
  -- 遍历链接里的所有元素，把Span标签里的文本抠出来
  for _, elem in ipairs(link.content) do
    if elem.t == "Span" then
      for _, child in ipairs(elem.content) do
        table.insert(cleanText, child)
      end
    else
      table.insert(cleanText, elem)
    end
  end
  -- 更新链接的显示文本为纯内容
  link.content = cleanText
  return link
end

然后修改你的Pandoc命令，加上这个过滤器：

pandoc -f docx --atx-headers --wrap=none --extract-media=. --lua-filter=clean-link-spans.lua -t commonmark-smart myFile.docx

这个脚本会自动遍历所有链接，把里面的<span class="underline">标签直接剥离，只保留纯文本，完美输出标准CommonMark格式的链接。

2. 升级Pandoc版本试试 #

你用的2.2.1版本有点老了，这个问题大概率是旧版本的解析bug。后续的Pandoc版本（比如2.10之后）对Docx的解析和CommonMark的输出做了不少优化，可能已经默认去掉了这类多余的格式标签。

直接升级到最新稳定版，再跑你原来的命令，说不定问题直接就解决了，省得写脚本折腾。

3. 调整Docx输入的解析参数 #

Pandoc的Docx阅读器有一些参数可以控制格式保留程度，你可以试试给输入格式加个选项，告诉它不要保留内联样式：

pandoc -f docx --strip-inlined-styles --atx-headers --wrap=none --extract-media=. -t commonmark-smart myFile.docx

不过这个方法的兼容性可能不如Lua过滤器，不同版本的Pandoc对这个参数的支持不太一致，还是优先试试前两种方案更稳妥。

内容的提问来源于stack exchange，提问作者SiliconValley