word转html的python实现方案

Posted

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了word转html的python实现方案相关的知识，希望对你有一定的参考价值。

参考技术A 使用的是aspose.words的库，相关参考：
Convert WORD To html - Python (aspose.com)
找了很多方案，感觉这个是转换效果最好的

阅读官方的文档，aspose.words需要的环境比较复杂，因此考虑做成一个docker镜像实现
需要的环境：gcc6+,python3,donet/runtime
dockerfile：

文件写好后执行docker命令

申请的是试用lic：Aspose.Words.Python.NET.lic有效期一个月，感觉确实比libreoffice转换的效果要好很多

假设你的word.py和待转换的aaa.docx在/home/tmp目录
执行命令：

容器运行完毕后就会在/home/tmp目录中生成Output.html，如果文档中包含图片，会生成图片

可以根据html中img的src，读取图片，然后上传到对象存储中，将本地图片路径替换为对象存储路径
到此为止，一份完整的html就搞好了
html标签内的style，如果不要，可以用一些过滤的方式将其剔除，可以在js中进行处理

php实现word转html文档的例子

php实现word转html文档的例子

2015-10-16 17:07 2751人阅读 评论(2) 收藏 举报
word文档不适合放到网页上了，如果我们要放到网页中去是需要一个个复制了，如果你还在复制就out了，下文小编来为各位整理一篇php实现word转html文档的例子，希望文章对各位有帮助。

要想完美解决，office转pdf或者html，最好还是用windows office软件，libreoffice不能完美转换，wps没有api。

先确认com模块是不是开启,phpinfo里面如果有com_dotnet模块，说明已开启，如果没有，修改PHP.ini,
com.allow_dcom = true

前面的注释去掉，重启就OK了，php官方网站说，php5.4.5之前，com模块是内置的，其实也不一定全是，官网下的php 5.3.39，com模块就没有内置。

如果不是内置模块的话，php.ini加上，前提你的ext文件夹下，有该扩展

extension=php_com_dotnet.dll

然后重启就OK了

 

[php] view plain copy
 
 print?
  1. function word2html($wordname,$htmlname)   
  2.  {   
  3.  $word = new COM("word.application") or die("Unable to instanciate Word");   
  4.  $word->Visible = 1;   
  5.  $word->Documents->Open($wordname);   
  6.  $word->Documents[1]->SaveAs($htmlname,8);   
  7.  $word->Quit();   
  8.  $word = null;   
  9.  unset($word);   
  10.  }   
  11.    
  12. word2html(‘D:/www/test/6.docx‘,‘D:/www/test/6.html‘);   

注意：

1，转换出来的html，查看源码，比较乱的
2，转换过程中会调用winword.exe
3，如果页面一直在加载，把文档重命名，然后在重新转。

补充一个例子

 

[php] view plain copy
 
 print?
  1. function lego_clean($text) {    
  2.    
  3.     $text = implode("＼r",$text);    
  4.    
  5.     // normalize white space    
  6.     $text = eregi_replace("[[:space:]]+", " ", $text);    
  7.     $text = str_replace("> <",">＼r＼r<",$text);    
  8.     $text = str_replace("<br>","<br>＼r",$text);    
  9.    
  10.     // remove everything before <body>    
  11.     $text = strstr($text,"<body");    
  12.    
  13.     // keep tags, strip attributes    
  14.     $text = ereg_replace("<p [^>]*BodyTextIndent[^>]*>([^＼n|＼n＼015|＼015＼n]*)</p>","<p>＼＼1</p>",$text);    
  15.     $text = eregi_replace("<p [^>]*margin-left[^>]*>([^＼n|＼n＼015|＼015＼n]*)</p>","<blockquote>＼＼1</blockquote>",$text);    
  16.     $text = str_replace(" ","",$text);    
  17.    
  18.     //clean up whatever is left inside <p> and <li>    
  19.     $text = eregi_replace("<p [^>]*>","<p>",$text);    
  20.     $text = eregi_replace("<li [^>]*>","<li>",$text);    
  21.    
  22.     // kill unwanted tags    
  23.     $text = eregi_replace("</?span[^>]*>","",$text);    
  24.     $text = eregi_replace("</?body[^>]*>","",$text);    
  25.     $text = eregi_replace("</?div[^>]*>","",$text);    
  26.     $text = eregi_replace("<＼![^>]*>","",$text);    
  27.     $text = eregi_replace("</?[a-z]＼:[^>]*>","",$text);    
  28.    
  29.     // kill style and on mouse* tags    
  30.     $text = eregi_replace("([ ＼f＼r＼t＼n＼‘＼"])style=[^>]+", "＼＼1", $text);    
  31.     $text = eregi_replace("([ ＼f＼r＼t＼n＼‘＼"])on[a-z]+=[^>]+", "＼＼1", $text);    
  32.    
  33.     //remove empty paragraphs    
  34.     $text = str_replace("<p></p>","",$text);    
  35.    
  36.     //remove closing </html>    
  37.     $text = str_replace("</html>","",$text);    
  38.    
  39.     //clean up white space again    
  40.     $text = eregi_replace("[[:space:]]+", " ", $text);    
  41.     $text = str_replace("> <",">＼r＼r<",$text);    
  42.     $text = str_replace("<br>","<br>＼r",$text);    
  43. }  




以上是关于word转html的python实现方案的主要内容，如果未能解决你的问题，请参考以下文章

Python实现word批量转HTML-诺禾=诺禾致源

Python 技术篇 - 使用pypandoc库实现html文档转word文档实例演示

如何用纯java代码实现word转pdf

python实现word2vec训练结果bin文件转txt文件

java实现word转pdf在线预览（前端使用PDF.js；后端使用openofficeaspose）

Python之Word转PDF