Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >markdown 转 word 工具推荐,API文档、数据库文档快速生成调研

markdown 转 word 工具推荐,API文档、数据库文档快速生成调研

作者头像
Lcry
发布于 2025-06-10 01:12:26
发布于 2025-06-10 01:12:26
4140
举报
文章被收录于专栏:Lcry个人博客Lcry个人博客

最近工作中做了一些调研性的工作,好久没更新博客了,今天就水一篇把,最近在补项目中的相关文档,众所周知接口文档和数据库字段文档是必须的,针对这两块东西如果是微服务的话接口众多,要从零开始梳理不知道要到猴年马月,所以力求花最少时间搞定这两样东西。

为什么标题要拧出来说 markdown 这个东西,因为现在写的大多数文档都是以 .md 格式写的,习惯了真的就是比 word 这些工具好用啊,不知道为什么 wps 这个东西现在特别的臃肿,每次打开都感觉特别卡。

接口 API 导出调研

主要调研了 apifox、apipost、swagger 解析导出、knife4j 导出方案。

要想导出非常完美的文档要依赖平时代码中的 javadoc 注释或者 swagger 注解打得好。但是大家懂的,要求每个人都去完善注释不大现实。

API 文档嘛,主要是客户需要肯定就要 word,但是理论来说交付完毕给 pdf 也是 ok 的,以前还拿到过对接文档是直接把 swagger 导出成 html,只要能看能解决问题就 ok 嘛,但是为了方便二次修改所以最终还是导出 word,如果要 pdf 再转一次就行了。

所有方案都是围绕 swagger 自带的接口生成,无非就是解析然后生成不同的格式。

apifox 和 apipost 同属于一类,导出的时候都不能直接导出 word,只能先导出 markdown,然后再使用类似于 pandoc 这种工具进行转换成其他格式。

swagger 解析导出就还得去定义 word 模板渲染啥的,虽然找了有类似于这样的开源项目,但是如果注释不是很完善很容易各种报错。

最终选择了 knife4j 直接在线导出 markdown文件。

markdown 转 word 工具推荐,API文档、数据库文档快速生成调研
markdown 转 word 工具推荐,API文档、数据库文档快速生成调研

很多人会问,离线文档不是有下载 word 吗,你猜我为什么不用?哈哈哈哈,这上面的 word 其实不是 word,而是转成 html 然后整到一个 word 文档里,特别奇怪,还不方便看。

然后将 md 转成 word 即可,也是找了一堆,不是样式有问题就是格式错乱,特别是表格很容易出问题,最终选定了markdocx 这个开源工具实现,能达到效果。

markdown 转 word 工具推荐,API文档、数据库文档快速生成调研
markdown 转 word 工具推荐,API文档、数据库文档快速生成调研

markdocx 项目介绍

markdocx 是一个开源项目,可以将你的 markdown 文件转换为 MS Word(.docx)/ Convert your Markdown files to MS Word (.docx)。

项目地址:https://github.com/ccwud/markdocx

windows 下可以直接下载 release 包使用,macos 的话可以直接安装 python 源码运行食用。

markdocx.exe C:\Users\admin\Downloads\md\input -o C:\Users\admin\Downloads\md\word-output -s C:\Users\admin\Downloads\md\style.yaml

数据库文档生成调研

数据库文档因为项目有使用 mySQL(MariaDB) 和 达梦数据库,所以必须至少要支持这 2 种数据库的自动文档生成。

尝试过:DBCHMSmartSQLscrew

前两个工具每次导出都有奇奇怪怪的问题,不知道是不是因为公司电脑是 windows11,还以为是我操作不对,看也是很久没有维护了,所以没折腾。

screw这个工具官方仓库不支持达梦数据库,但是看到有 fork 项目添加支持了达梦数据库,然后也可以自定义导出样式和模板。

所以直接最终选用了screw,支持达梦数据库的点这个仓库

直接看效果:

markdown 转 word 工具推荐,API文档、数据库文档快速生成调研
markdown 转 word 工具推荐,API文档、数据库文档快速生成调研

screw 项目介绍

screw 是一个开源项目,专注于简洁好用的数据库表结构文档生成工具。虽然官方仓库好久没有更新了,如果不支持你所使用的数据库,可以自己 fork 代码进行二开,主要就是实现一下查询数据库的元数据信息就行了。实现逻辑参考:#screw-core/src/main/java/cn/smallbun/screw/core/query

项目开源地址:https://github.com/pig-mesh/screw

写在最后

通过本文你可以快速了解到生成项目 API 接口、数据库字典文档,大大减少人力成本。最后想说的确实开源项目降低了技术的门槛,让人人都能享受到开源的乐趣。但是开源项目大多数是用爱发电,大多数公司可能也不会意思把“烂代码”暴露给大众看,但是长远看,开源一些公共的项目更加有利于提升企业产品的知名度和商业化方案的推广,最后的最后,如果大家有更和的解决方案可以评论区留言大家一起探讨。

文章目录

function Catalogswith(){document.getElementById("catalog-col").classList.toggle("catalog");document.getElementById("catalog").classList.toggle("catalog")}

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2025-06-09,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
RDKit | 化学信息学与AI(专辑)
介绍RDKit相关知识点和运用以及RDKit作为处理化学、生物、药学和材料学科中分子数据作为可输入机器学习和深度学习模型的重要工具应用。内容涵盖了基于RDKit的Python3的分子的读写、化合物的分子指纹和分子描述符计算、化合物的2D/2D比对、化合物相似性搜索、化合物骨架分析和亚结构搜索、RMSD计算与构象生成优化、分子相似图与聚类分析、化学反应处理、可视化与化学空间探索及RDkit相关的机器学习、深度学习应用过程详解
DrugOne
2021/02/02
2.8K0
RDKit | 化学信息学与AI(专辑)
RDKit相关文章汇总
RDKit在2000-2006年期间在Rational Discovery开发和使用,用于构建吸收、分布、代谢、代谢、毒性和生物活性的预测模型。2006年6月Rational Discovery被关闭,但该工具包在BSD许可证下作为开源发布。目前,RDKit的开源开发由诺华积极贡献,其中包括诺华捐赠的源代码。
DrugOne
2021/02/01
6400
DGL & RDKit | 基于GCN的多任务分类模型
纽约大学、纽约大学上海分校、AWS上海研究院以及AWS MXNet Science Team共同开源了一个面向图神经网络及图机器学习的全新框架,命名为Deep Graph Library(DGL)。
DrugOne
2021/02/01
2.2K1
RDKit:化合物亚结构(Substructure)搜索
当一个化合物合成出来之后,化学工作者常常关心的是分子中某一部分(如功能团)的有关信息,因而,亚结构(substructure)检索,从某种角度上讲,对于化学工作者来说是最为重要的手段。
DrugOne
2021/01/28
1.9K0
Brief. Bioinform. | 从直觉到人工智能:药物发现中的小分子表征演变
今天介绍一篇2023年11月发表在《Briefings in Bioinformatics》期刊上的论文,题为“From Intuition to AI: Evolution of Small Molecule Representations in Drug Discovery”,文章的第一作者为英国爱丁堡大学的Miles McGibbon研究员和 Steven Shave研究员,以及中南大学的董界副教授,通讯作者为爱丁堡大学的Vincent Blay博士。该综述总结了药物发现领域中分子表示(表征)的演变历程,从最初的人类可读格式,逐步发展到现代的数字描述符、指纹,以及基于序列和图的学习表示。作者强调了各种表示方法在通用性、计算成本、不可逆性和可解释性等方面的优缺点。文章还讨论了药物发现领域的创新机会,包括为高价值、低数据制度创建分子表示,提炼更广泛的生物和化学知识成为新颖的学习表示,以及对新兴治疗方式进行建模。总体而言,文章聚焦于数字化分子表示在药物研发中的关键作用,同时探讨了所面临的挑战和机遇。
DrugOne
2023/12/26
5000
Brief. Bioinform. | 从直觉到人工智能:药物发现中的小分子表征演变
SMILES & InChI | 化学结构的线性表示法
可以将一个分子视为一个以原子为节点,结合为边的图。图形可以表示一个原子如何连接到另一个原子。如果已知原子之间的键数,则可以在以后添加氢原子,因此在计算机上表示分子时通常会省略氢原子。
DrugOne
2021/02/01
4.2K0
RDkit&mol2vec :靶标抑制剂活性二分类模型对比
RDKit提供各种功能,如不同的化学I/O格式,包括SMILES/SMARTS,结构数据格式(SDF),Thor数据树(TDT),Sybyl线符号(SLN),Corina mol2和蛋白质数据库(PDB)。子结构搜索; 标准SMILES; 手性支持;化学转化;化学反应;分子序列化;相似性/多样性选择;二维药效团;分层子图/片段分析; Bemis和Murcko骨架;逆合成组合分析程序(RECAP); 多分子最大共同亚结构;功能图;基于形状的相似性;基于RMSD的分子分子比对;基于形状的对齐;使用Open3-DALIGN算法的无监督分子-分子比对;与PyMOL进行3D可视化集成;功能组过滤;分子描述符库;相似图;机器学习等。
DrugOne
2021/01/29
1.3K0
Conformator使用—小分子构象生成工具
计算机辅助药物设计方法,例如:对接,药效团搜索,3D数据库搜索以及3D-QSAR模型的创建,需要构象集合来处理小分子的灵活性。Conformator,这是一种基于知识的算法,用于生成构象集合。在测试分子的99.9%的情况下,Conformator凭借其在输入格式,分子几何结构和大环化合物处理方面的鲁棒性而脱颖而出。有了一组扩展的扭转角采样规则,一种用于生成大环构象异构体的新算法以及一种用于构象异构体装配的新聚类算法,Conformator达到了中位数最小均方根偏差(在蛋白质结合的配体构象之间测量)且最多包含250个集合为0.47Å,与排名最高的商业算法OMEGA没有显着差异,并且比包括RDKit DG算法在内的7种免费算法明显更高的准确性。
DrugScience
2021/02/04
1.2K0
Conformator使用—小分子构象生成工具
J. Pharm. Anal. | 化学自然语言引导的扩散式类药分子编辑:DiffIUPAC的魔法之旅
亲爱的读者们,今天让我们一起踏上一段充满魔法与科学的旅程,探索化学自然语言与人工智能如何联手,开启药物发现的新篇章。想象一下,化学家们就像拥有了哈利·波特的魔法棒,可以用人类的语言直接“召唤”出全新的分子。这一切都要归功于一个名为 DiffIUPAC 的神奇模型。
DrugOne
2024/12/09
1910
J. Pharm. Anal. | 化学自然语言引导的扩散式类药分子编辑:DiffIUPAC的魔法之旅
JCIM|药物发现的超大型化合物数据集概述
2022年4月14日,美国国家癌症研究所 (NCI) 计算机辅助药物设计研究课题组的Wendy等人在JCIM杂志上发表综述,整理了当前用于药物研发的超大型数据库以及检索技术的情况。
智药邦
2022/06/08
1.4K0
JCIM|药物发现的超大型化合物数据集概述
bioRxiv|利用机器智能设计抗新型冠状病毒药物
今天介绍美国密歇根州立大学Guo-Wei Wei团队近期在bioRxiv上发表的论文,该论文利用基于机器智能的复合型生成网络(GNC)生成一系列候选药物,并测试这些药物和部分艾滋病药物对新型冠状病毒的潜在效用。
DrugOne
2021/02/01
6040
ChemRxiv|阿斯利康REINVENT4:现代AI驱动的分子设计
2023年11月6日,来自阿斯利康(瑞典)的Hannes Loeffler等人在ChemRxiv发表文章REINVENT4: Modern AI–Driven Generative Molecule Design。
智药邦
2024/03/05
1.1K0
ChemRxiv|阿斯利康REINVENT4:现代AI驱动的分子设计
J. Pharm. Anal. | 化学自然语言引导基于扩散的生成式类药分子编辑
扩散模型已成为分子设计与优化中的一种前沿范式。然而,大多数基于扩散的分子生成模型主要聚焦于2D图形或3D几何结构的建模,对分子序列扩散模型的研究相对较少。国际纯粹与应用化学联合会 (IUPAC) 命名系统与化学自然语言更为相似,而非有机化合物的SMILES编码。2024年11月2日发表在Journal of Pharmaceutical Analysis上的研究论文Diffusion-based generative drug-like molecular editing with chemical natural language提出了一种基于IUPAC名称引导的条件扩散模型DiffIUPAC,用于从化学自然语言到化学语言 (SMILES) 的分子编辑。该研究探索了扩散模型的预训练生成性能能否迁移至化学自然语言领域。研究人员开发的DiffIUPAC是一种可控的分子编辑扩散模型,能够将IUPAC名称转换为SMILES字符串。评估结果显示,DiffIUPAC模型在语义规则捕捉方面优于现有方法,成功掌握了两种化学语言的语义规则。为了展示该模型在药物设计中的潜在应用,还进行了官能团编辑、类似物设计和Linker设计的案例研究。
DrugOne
2024/11/23
1670
J. Pharm. Anal. | 化学自然语言引导基于扩散的生成式类药分子编辑
Drug Discov Today|化学分子指纹的概念和应用
分子指纹(Molecular fingerprints)可以低计算成本的方式表示大规模化学数据集中化合物的化学(结构、物理化学等)性质。它们在将化学数据集中的分子转换为适合于计算方法的一致输入格式(bit向量或数值)方面发挥着重要作用。在这篇综述中,作者将常见和最先进的分子指纹归纳并分类为8种不同类型(基于字典的、圆形的(circular)、拓扑的、药效团的(pharmacophore)、蛋白质-配体相互作用的、基于形状的、强化的和多种的)。作者还强调了分子指纹在早期药物研发中的应用。因此,本综述为药物研发使用合适的化合物(或配体-蛋白质复合物)指纹的选择提供了指南。
智药邦
2023/02/14
3.2K0
Drug Discov Today|化学分子指纹的概念和应用
Drug Discov Today|赛诺菲:机器学习引导的早期小分子药物发现
2022年3月29日,赛诺菲的NikhilPillai等人在Drug Discov Today杂志发表文章,分析和反思了机器学习在临床前小分子药物发现中的多种应用,并简要介绍了机器学习任务中的分子表征方法。
智药邦
2022/04/13
8460
Drug Discov Today|赛诺菲:机器学习引导的早期小分子药物发现
深度学习在药物发现领域的兴起
过去的十年中,深度学习(DeepLearning,DL)在各种人工智能研究领域取得了显着的成功。从以前对人工神经网络的研究演变而来,该技术在诸如图像和语音识别,自然语言处理等领域表现出优于其他机器学习(Machine Learning,ML)算法的性能。近年来,深度学习在医药研究中的第一波应用出现了,它的用途超出了生物活性预测的范围,并且在解决药物发现中的各种问题方面显示出了前景。
DrugOne
2021/01/29
1.1K0
J Comput Chem|应用于多参数优化的基于配体的从头设计深度生成模型
2022年2月26日,J Comput Chem杂志发表了来自知名AI药物发现公司Iktos的Yann Gaston-Mathé等人的一项早期的工作,展示了如何用深度学习实现药物分子的多参数优化。
智药邦
2022/06/08
7700
J Comput Chem|应用于多参数优化的基于配体的从头设计深度生成模型
Nucleic Acids Research | PROTAC-DB:PROTACs在线数据库
今天给大家介绍的是浙江大学侯廷军教授团队发表在Nucleic Acids Research上的一篇文章“PROTAC-DB:an online database of PROTACs”。蛋白水解靶向嵌合体(PROTACs)是一种通过泛素-蛋白酶体系统选择性降解靶蛋白的新型治疗技术,具有传统抑制策略无法比拟的优势。目前PROTAC的设计仍然是一个巨大的挑战,为了对PROTACs进行合理设计,本文提出了一个基于Web的开放式数据库PROTAC-DB,它集成了PROTACs的结构信息和实验数据。目前,PROTAC-DB已经囊括了1662个PROTAC、202个弹头(靶向目标蛋白质的小分子)、65个E3配体(能够招募E3连接酶的小分子)和806个Linker以及它们的化学结构、生物活性和理化性质。其中,PROTAC-DB详细提供了弹头和E3配体的生物活性以及PROTAC的降解能力、结合亲和力和细胞活性。PROTAC-DB可以通过两种常用的搜索方法进行查询:基于文本的(靶点名称、化合物名称或ID)和基于结构的。
DrugOne
2021/02/01
3.2K0
Nucleic Acids Research | PROTAC-DB:PROTACs在线数据库
开源化学信息学库 :ScaffoldGraph
ScaffoldGraph是一个开放源代码化学信息库,使用RDKit和NetworkX构建,用于生成和分析骨架网络和支架树。
DrugOne
2021/02/01
7890
JCIM|VenomPred2.0:基于AI的药物分子毒性预测工具
人工智能和机器学习方法在计算毒理学和药物设计中的应用越来越受欢迎,这一方法在评估化合物安全性、优化ADMET以及满足3R原则(the rules of 3R)等领域被认为非常具有前景。
智药邦
2024/05/08
1.5K3
JCIM|VenomPred2.0:基于AI的药物分子毒性预测工具
推荐阅读
相关推荐
RDKit | 化学信息学与AI(专辑)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档