189 8069 5689

怎么用Python将word文件转换成html

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!

创新互联专注于企业营销型网站建设、网站重做改版、通州网站定制设计、自适应品牌网站建设、H5场景定制购物商城网站建设、集团公司官网建设、外贸网站建设、高端网站制作、响应式网页设计等建站业务,价格优惠性价比高,为通州等各大城市提供网站开发制作服务。

 

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 docximportDocument

5.        from bsonimport 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.         ifnot article["Title"]:

22.             for parain 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 imgin imgs:

7.                res = requests.post(guidUrl)

8.                if res.status_codeis200:

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 fin os.listdir(path):

4.                ifnot f.startswith('.'):

5.                    imgNameArr = extractImage(f)

6.                    article = parseFile(f)

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

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

9.                    for idx, sectionin enumerate(contentArr):

10.                     for infoin imgNameArr:

11.                         if idxis info["index"]:

12.                             contentArr[idx] = section+"'"+info["fileName"]+"'

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!


标题名称:怎么用Python将word文件转换成html
本文来源:http://cdxtjz.com/article/igdphh.html

其他资讯