python自动化办公之爬取HTML目录样式写入word文档实战(含NO pandoc was found报错解决)

python自动化办公之爬取HTML目录样式写入word文档实战

看见朋友每天重复地从网页里把目录复制粘贴到word里，觉得很不智能。于是想到用Python的自动化办公功能，来解救他！比如，下面这个图就是HTML里的内容，我要把它提取出来写入到word里面，还要带上这本书的标题，给word命名。写好了就可以批量处理！！！是不是很妙o(￣︶￣)o

还好朋友会用一个sitemapX工具，把网页中的目标路径都写入到一个txt文件中。

调用的库：
import time
import re
import urllib.request
import os
import pypandoc
from docx.oxml.ns import qn
from docx import Document
这个小项目做起来，还是有几个重点需要注意的地方：

（1）每次解析30个HTML文件，之后需要更新原来的txt文件，不然每次处理的都是前30个HTML文件。

#获取网页列表
def input_html(txtname):
    with open(txtname,'r') as f:
        content = f.read()
    s1 = content.split('\n')#讲字符串转为列表
    html_num = len(s1)#链接总个数
    print('该文件含有{}个链接'.format(html_num))
    
    s2 = s1[30:]#剩下的链接
    new_html = '\n'.join(s2)#更新
    new_html_num = len(s2)#链接总个数
    print('完成这次任务，还剩{}个链接'.format(new_html_num))
    return new_html

#创建新的文档，以时间作为区分
import time
nowtime = time.strftime("%Y%m%d%H%M%S", time.localtime())#当前时间作为新的文件表示
with open("sitemap" + nowtime + ".txt", "w", encoding='utf-8') as f:
    f.write(input_html("sitemap.txt"))
    f.close()

（2）读取HTML文件，提取其中所需要的的内容，需要使用正则表达式，主要提取两部分，一个是标题，一个是带有目录的内容。

import re
import urllib.request      #导入request模块
def Parse_html(url):
    res = urllib.request.urlopen(url)      #调用urlopen（）从服务器获取响应界面
    html = res.read().decode('utf-8')     #对返回的响应数据解码，并赋值给html
    return html
html=Parse_html(url)
#提取源文件一部分作为内容部分
str1=re.findall('
([\s\S]*?)
,html)#取两者之间的部分
str1[0]=str1[0].replace('
','
')
str1_1=re.sub('[\s]*?
','\n
',str1[0])#补缺失在部分
str1_2=re.sub('[\s]*?','\n',str1_1)#补缺失在部分
#提取源文件一部分作为标题部分
str2=re.findall("",html)#匹配含换行符[\s\S]*?，之间匹配任何字符，含换行符

怎样查看网页对应的目标图片链接呢？使用chrome浏览器打开上述网页，然后按F12，就会在右边看到这个网页的源代码，按照我下图的三步走，点击小箭头后，把鼠标移动到目标图片，悬浮即可，这个时候右边会高亮显示对应这个目标部分的网页源代码。就可以看到我用红色框框起来的部分，src后面引号的部分就是这个图片的连接。

这中间还是遇到了两个问题，一个是的缺失，会导致一部分内容不可显示；另外一个问题style=“display: none"这个部分会把目录隐藏，所以，需要将它替换成style=”"。这部分就涉及到了HTML的结构和正则表达式。

（3）把提取的内容拼接起来，重新形成一个HTML文件。

import os
def write_html(title,content):
    html1 = open("n.html", "w")#写成html
    html1.write(title)#标题
    html1.write(content)#内容
    html1.close()
#把处理好的内容写入HTML文件
write_html(str2[0],str1_2)

（4）将HTML文件写入Word

import pypandoc
def html_docx(html_path,docx_path):
    f = open(html_path,"r",encoding='gbk')
    html1 = f.read()
    output = pypandoc.convert_text(html1, 'docx', 'html', outputfile=docx_path)  # 将 html 代码转化成docx
#把新的HTML文件写入Word，自带格式
html_docx("n.html","file1.docx")

这个阶段有个难点，就是pypandoc的导入，在公司用的服务器，调试起来没有问题，但是在家里的电脑报错了NO pandoc was found。具体见下图：

在网上找了很多方法尝试，主要是按照报错的指引去做的，可是都没有得到改善。最后找到一篇帖子https://blog.csdn.net/qq_43741748/article/details/105454719，《下载和安装Pandoc（Windows和Mac版本）》从Pandoc的官网下载https://www.pandoc.org/installing.html，直接运行安装问题就解决了。

（5）根据需求进一步调整Word内容，主要是字体调成微软雅黑，增加页脚，用内容的标题给文件命名，存储下来。

#修改word样式，给文件命名，增加页脚
from docx import Document
document = Document('file1.docx')
document.paragraphs[0].text=document.paragraphs[0].text.replace("[题库]","")
document.paragraphs[0].text=document.paragraphs[0].text.replace("[电子书]","")
f=document.paragraphs[0].text
filename=f#取文件名
sec = document.sections# word文档中章节 section 对象

sec0 = sec[0]  # 获取章节对象
font0 = sec0.footer  # 返回页脚对象
#print(font0)
# 设置页脚
#print(font0.paragraphs)
font0_par = font0.paragraphs[0]
font0_par.add_run('                     星蓝海学习网-考研资格考试，电子书题库，视频答案详解')
from docx.oxml.ns import qn
document.styles['Normal'].font.name = u'微软雅黑'
document.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'微软雅黑') # 将段落中的所有字体
document.save('{}.docx'.format(filename))

对第一步的列表还需要循环遍历，属于基础就没有再赘述了，还有就是在循环遍历的时候，需要增加异常处理的部分。处理结果贴给大家看看，

在docx文档处理的部分，标题还不能更改样式，日后还需要进一步完善！

**整理内容不易，走过路过觉得课程内容不错，请帮忙点赞、收藏！Thanks♪(･ω･)ﾉ****如需转载，请注明出处

参考文献：**

1.csdn.net/qq_43741748/article/details/105454719

2.https://www.pandoc.org/installing.html