怎么用Python将word文件转换成html-创新互联

这篇文章主要介绍“怎么用Python将word文件转换成html”，在日常操作中，相信很多人在怎么用Python将word文件转换成html问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”怎么用Python将word文件转换成html”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

序

最近公司一个客户大大购买了一堆医疗健康方面的科普文章，希望能放到我们正在开发的健康档案管理软件上。客户大大说，要智能推送！要掌握节奏！要深度学习！要让用户留恋网站无法自拔！

话说符合以上特点的我也只能联想到某榴了。

当然，万里长征的第一步是把文章导入我们的数据库。项目使用的是AWS的dynamoDB，是非关系型数据库，所有内容都是以json的形式储存的。而客户大大购买来的文章，一共600多篇，要么是word要么是Adobe indesign的indd。找了一圈，没有发现合适的应用可以把word或indd转化成干净的html。所以我只能自己造轮子啦～听说python很擅长文本处理，所以就是你了，python！这是我第一次用python写项目，不符合规范的地方欢迎大神提点。

太长不看

用逆天的python 模块mammoth和docx 处理你的word文件；把indd批量转化成pdf然后用layout_scanner转化成html。

word批量转化为html

1、 建立文件结构并批量读取文件

在根目录下创建几个文件夹，用来放不同格式的文件，我把所有要处理的word文件放在docfiles 这个子目录里。word.py里写转化程序。

1.         ├── docfiles

2.        

3.         ├── imgs

4.        

5.         ├── inddfiles

6.        

7.         ├── output

8.        

9.         └── pdfs

10.     

11.      └── word.py

2、引入模块和申明文件路径

1.         import mammoth

2.         import mammoth.transforms

3.         import os

4.         from docx import Document

5.         from bson import json_util

6.         import zipfile

7.         import json

8.         import unidecode

9.         import requests

10.     

11.      guidUrl = "https://my.phrplus.com/REST/guid"

12.      inputPath = '/Users/admin/cwell/parser/docfiles/'

13.      imgPath = "/Users/admin/cwell/parser/imgs/"

14.      outputFile = '/Users/admin/cwell/parser/output/output.json'

mammoth: 核心组件，用来做转化工作

docx: 另一个做转化工作的模块，用来补充mammoth

os: 用来在系统中读取写入文件

zipfile: 用来解压word文档以提取图片

json: 用来把数据转化成json

bson: 用来配置写入json文件

unicode：用来处理字符

requests：用来调用api

3、转换单个文件

1.         styleMap = """

2.         p[style-name='Title'] => h2.hide

3.         p[style-name='Subhead 1'] => h4

4.         p[style-name='List Bullet'] => ul.first > li:fresh

5.         p[style-name='List Bullet 2'] => ul.second > li:fresh

6.         p[style-name='Hyperlink']=>a.link

7.         """

8.         def convert_image(image):

9.             return {

10.              "src":""

11.          }

12.     

13.      def parseFile(f):

14.          document = Document(inputPath+f)

15.          article = {"Title":document.core_properties.title,"Content":""}

16.          with open(inputPath+f,"rb") as docFile:

17.              html = mammoth.convert_to_html(docFile,style_map=styleMap,convert_image=mammoth.images.img_element(convert_image))

18.              decoded = unidecode.unidecode(html.value)

19.     

20.     

21.          if not article["Title"]:

22.              for para in document.paragraphs:

23.                  if para.style.name == 'Title':

24.                      if para.text:

25.                          article["Title"] = para.text

26.     

27.          article["Content"]=decoded

28.          return article

parseFile就是核心功能了。传递进来的参数f是文件名，和文件路径合在一起能够帮我们准确定位要转化的文件。首先用docx找到文档的标题，并创建一个dictionary，里面包含标题和内容。然后用mammoth转化整个文件。注意命令中要用到stylemap和convertimage。前者用来规定转化规则：'style-name'是word里的式样名称，用word打开文档，点击任意一个元素可以查看其式样名称；这里规定标题转化为h2，副标题转化为h3等等。关于列表的转化规则这里就不详细叙述了，具体可以参考下面的文章：

参考链接

1.         Converting docx to clean HTML: handling the XML structure mismatch

'convert_image' 是用来规定图片的转化方式的，由于我准备之后批处理所有文档中的图片，在这里就告诉程序不储存任何图片信息。但是于此同时保留图片的img tag以便标注图片在文档中的位置。如果不规定任何转化方式，生成的html里面会包含一大长串base64的图片信息。

mammoth转化出来的html是含有unicode的，不知道为什么python里跑一直报错，就用unicode解码了一下。

这之后，如果前面的程序没有抓取到文档标题，用docx换个姿势再抓取一下。

最后返回article这个dictionary。

4、抓取图片

1.         def extractImage(f):

2.             ziped = zipfile.ZipFile(inputPath+f)

3.             allFiles = ziped.namelist()

4.             imgs = filter(lambda x: x.startswith('word/media/'), allFiles)

5.             imgNameArr = []

6.             for img in imgs:

7.                 res = requests.post(guidUrl)

8.                 if res.status_code is 200:

9.                     guid = res.text

10.                  data = ziped.read(img,imgPath)

11.                  idxStr = os.path.basename(img).split(".")[0][-1:]

12.                  imgDict = {}

13.                  imgDict["index"] = int(idxStr)-1

14.                  imgDict["fileName"] = guid+".jpg"

15.                  imgNameArr.append(imgDict)

16.                  targetPath = os.path.join(imgPath,guid+".jpg")

17.                  target = open(targetPath,"wb")

18.                  target.write(data)

19.                  target.close()

20.          ziped.close()

21.          return imgNameArr

没想到word文档其实是一个压缩文件吧？如果直接把word文档的后缀名改成zip然后再用解压软件查看，会看到一个media文件夹，里面就包含所有插入的图片。

用ziped读取文档，然后找到存放图片的media文件夹，每一个图片重新用guid命名，生成一个dictionary，里面包含的信息有“此图片在文档中出现的顺序”和文件名。话说media中的图片都被按照顺序重新命名为image1.png, image2.png，刚好为我们抓取顺序信息提供了方便。

（python也有生成guid的模块，我在这里调用api有点多此一举，但是为了和项目中其他图片需要用到的uuidv4保持一致还是用了）

之后就是把图片存在‘imgs’这个文件夹下。

5、生成json

1.         def processDocs(path):

2.             result = []

3.             for f in os.listdir(path):

4.                 if not f.startswith('.'):

5.                     imgNameArr = extractImage(f)

6.                     article = parseFile(f)

7.                     fileName = os.path.basename(f)

8.                     contentArr = article["Content"].split("

9.                     for idx, section in enumerate(contentArr):

10.                      for info in imgNameArr:

11.                          if idx is info["index"]:

12.                              contentArr[idx] = section+"

13.     

14.                  article["Content"] = ''.join(contentArr)

15.                  result.append(article)

16.     

17.     

18.          with open(outputFile,'w+') as f:

19.              json.dump(result,f,default=json_util.default)

最后要用到的一个function就是写个循环挨个处理docfiles文件夹底下的文件了。针对每一个文件，记得把之前生成的图片信息的数组map到html里，然后在写入到json文件里就大功告成了！

indd转化为html

话说，到现在为止，我还没有找到一个完美的解决方案。我使用了相同的思路，把indd先批量生成为pdf（有一个indesign 脚本就是专门批量转化pdf的）,然后用了一个叫做layout_scanner的github项目抓取pdf信息并转化为html。最后生成的html包含了文字和图片，但是图标和排版就保存不下来了。客户大大表示不满意。我也很惆怅啊！机智的小伙伴们如果有更好的思路请务必告诉我！如果需要我详细说明一下这一块内容，我会更新在这篇文章中。

到此，关于“怎么用Python将word文件转换成html”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注创新互联网站，小编会继续努力为大家带来更多实用的文章！