用Python将word文件转换成html

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。

    
    
    
    

     
     
     
     
├── docfiles
     
     
     
     

     
     
     
     
├── imgs
     
     
     
     

     
     
     
     
├── inddfiles
     
     
     
     

     
     
     
     
├── output
     
     
     
     

     
     
     
     
└── pdfs
     
     
     
     

     
     
     
     
└── word.py
    
    
    
    

2、引入模块和申明文件路径

    
    
    
    

     
     
     
     
import mammoth
     
     
     
     
import mammoth.transforms
     
     
     
     
import os
     
     
     
     
from docx import Document
     
     
     
     
from bson import json_util
     
     
     
     
import zipfile
     
     
     
     
import json
     
     
     
     
import unidecode
     
     
     
     
import requests
     
     
     
     

     
     
     
     
guidUrl = "https://my.phrplus.com/REST/guid"
     
     
     
     
inputPath = '/Users/admin/cwell/parser/docfiles/'
     
     
     
     
imgPath = "/Users/admin/cwell/parser/imgs/"
     
     
     
     
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

    
    
    
    

     
     
     
     
styleMap = """
     
     
     
     
p[style-name='Title'] => h1.hide
     
     
     
     
p[style-name='Subhead 1'] => h3
     
     
     
     
p[style-name='List Bullet'] => ul.first > li:fresh
     
     
     
     
p[style-name='List Bullet 2'] => ul.second > li:fresh
     
     
     
     
p[style-name='Hyperlink']=>a.link
     
     
     
     
"""
     
     
     
     
def convert_image(image):
     
     
     
     
    return {
     
     
     
     
        "src":""
     
     
     
     
    }
     
     
     
     

     
     
     
     
def parseFile(f):
     
     
     
     
    document = Document(inputPath+f)
     
     
     
     
    article = {"Title":document.core_properties.title,"Content":""}
     
     
     
     
    with open(inputPath+f,"rb") as docFile:
     
     
     
     
        html = mammoth.convert_to_html(docFile,style_map=styleMap,convert_image=mammoth.images.img_element(convert_image))
     
     
     
     
        decoded = unidecode.unidecode(html.value)
     
     
     
     

     
     
     
     

     
     
     
     
    if not article["Title"]:
     
     
     
     
        for para in document.paragraphs:
     
     
     
     
            if para.style.name == 'Title':
     
     
     
     
                if para.text:
     
     
     
     
                    article["Title"] = para.text
     
     
     
     

     
     
     
     
    article["Content"]=decoded
     
     
     
     
    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h1，副标题转化为h2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

    
    
    
    

     
     
     
     
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

    
    
    
    

     
     
     
     
def extractImage(f):
     
     
     
     
    ziped = zipfile.ZipFile(inputPath+f)
     
     
     
     
    allFiles = ziped.namelist()
     
     
     
     
    imgs = filter(lambda x: x.startswith('word/media/'), allFiles)
     
     
     
     
    imgNameArr = []
     
     
     
     
    for img in imgs:
     
     
     
     
        res = requests.post(guidUrl)
     
     
     
     
        if res.status_code is 200:
     
     
     
     
            guid = res.text
     
     
     
     
            data = ziped.read(img,imgPath)
     
     
     
     
            idxStr = os.path.basename(img).split(".")[0][-1:]
     
     
     
     
            imgDict = {}
     
     
     
     
            imgDict["index"] = int(idxStr)-1
     
     
     
     
            imgDict["fileName"] = guid+".jpg"
     
     
     
     
            imgNameArr.append(imgDict)
     
     
     
     
            targetPath = os.path.join(imgPath,guid+".jpg")
     
     
     
     
            target = open(targetPath,"wb")
     
     
     
     
            target.write(data)
     
     
     
     
            target.close()
     
     
     
     
    ziped.close()
     
     
     
     
    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

    
    
    
    

     
     
     
     
def processDocs(path):
     
     
     
     
    result = []
     
     
     
     
    for f in os.listdir(path):
     
     
     
     
        if not f.startswith('.'):
     
     
     
     
            imgNameArr = extractImage(f)
     
     
     
     
            article = parseFile(f)
     
     
     
     
            fileName = os.path.basename(f)
     
     
     
     
            contentArr = article["Content"].split(")
     
     
     
     
            for idx, section in enumerate(contentArr):
     
     
     
     
                for info in imgNameArr:
     
     
     
     
                    if idx is info["index"]:
     
     
     
     
                        contentArr[idx] = section+"
     
     
     
     

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

     
     
     
     

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

参考链接

    
    
    
    

     
     
     
     
dpapathanasiou/pdfminer-layout-scanner
    
    
    
    

本文作者

栗子君

Python中文社区专栏作者，一枚身在美帝的小程序媛，爱好：Web开发/古典吉他。

点击阅读原文进入作者个人博客