mammoth

app.py

@@ -5,8 +5,8 @@ import subprocess
 from search_errors_logic import check_text
 import html
 import docx
+import mammoth
 from io import BytesIO
-import re
 
 is_java_installed = False
 prompt = """
@@ -80,80 +80,9 @@ def load_assets():
 #     for para in doc.paragraphs:
 #         full_text.append(para.text)
 #     return "\n".join(full_text)
-
-
-def extract_text_from_docx(uploaded_file):
-    """
-    Извлекает текст из DOCX файла с сохранением базового форматирования в Markdown
-    
-    Параметры:
-    uploaded_file: UploadedFile - файл, загруженный через st.file_uploader()
-    
-    Возвращает:
-    str: Текст в формате Markdown
-    """
-    doc = docx.Document(uploaded_file)
-    markdown_lines = []
-    
-    for paragraph in doc.paragraphs:
-        text = paragraph.text.strip()
-        if not text:
-            continue
-            
-        # Обработка стилей
-        style = paragraph.style.name.lower()
-        
-        # Заголовки
-        if 'heading' in style:
-            level = 1
-            if 'heading 1' in style:
-                level = 1
-            elif 'heading 2' in style:
-                level = 2
-            elif 'heading 3' in style:
-                level = 3
-            markdown_lines.append(f"{'#' * level} {text}")
-            continue
-            
-        # Обработка форматирования внутри абзаца
-        formatted_text = ""
-        for run in paragraph.runs:
-            run_text = run.text
-            if run.bold:
-                run_text = f"**{run_text}**"
-            if run.italic:
-                run_text = f"*{run_text}*"
-            if run.underline:
-                run_text = f"<u>{run_text}</u>"
-            formatted_text += run_text
-            
-        # Маркированные списки
-        if paragraph.style.name.startswith('List Bullet'):
-            formatted_text = f"- {formatted_text}"
-            
-        # Нумерованные списки
-        elif paragraph.style.name.startswith('List Number'):
-            formatted_text = f"1. {formatted_text}"
-            
-        # Блоки кода (если есть специальный стиль)
-        elif paragraph.style.name.startswith('Code'):
-            formatted_text = f"`{formatted_text}`"
-            
-        markdown_lines.append(formatted_text)
-        
-    # Обработка таблиц
-    for table in doc.tables:
-        markdown_lines.append("\n")  # Добавляем пустую строку перед таблицей
-        headers = [cell.text.strip() for cell in table.rows[0].cells]
-        markdown_lines.append("| " + " | ".join(headers) + " |")
-        markdown_lines.append("| " + " | ".join(["---"] * len(headers)) + " |")
-        
-        for row in table.rows[1:]:
-            cells = [cell.text.strip() for cell in row.cells]
-            markdown_lines.append("| " + " | ".join(cells) + " |")
-        markdown_lines.append("\n")  # Добавляем пустую строку после таблицы
-        
-    return "\n".join(markdown_lines)
+def extract_text_from_docx(file):
+    result = mammoth.convert_to_markdown(file)
+    return result.value
 
 
 def main():

requirements.txt

@@ -14,6 +14,7 @@ httpx==0.28.1
 idna==3.10
 jiter==0.9.0
 language_tool_python==2.9.3
+mammoth==1.9.0
 multidict==6.4.3
 openai==1.68.2
 pip==25.0.1