无法使用Python将DOCX转换为HTML

Posted 2021-05-01

我用猛犸象尝试过：

import mammoth

result = mammoth.convert_to_html("MyDocument.docx")
print (result.value)

我没有得到HTML，但这个奇怪的代码：

kbW7yqZoo4h9pYM6yBxX1QFx2pCoPYflXfieIPbtqpT913Vk7OzcZdEk3eO7TbWjvZNTGilsfmRrPwDvB[...]

我也试过使用docx2html，但我无法安装它。当我运行pip install docx2html时，我收到此错误：

SyntaxError: Missing parentheses in call to 'print'

答案

Mammoth .docx to HTML converter

Mammoth旨在转换.docx文档，例如Microsoft Word创建的文档，并将它们转换为HTML。 Mammoth旨在通过使用文档中的语义信息生成简单而干净的HTML，并忽略其他细节。例如，Mammoth将带有样式标题1的任何段落转换为h1元素，而不是试图精确复制标题的样式（字体，文本大小，颜色等）。

.docx使用的结构与HTML的结构之间存在很大的不匹配，这意味着转换不太适合更复杂的文档。如果您只使用样式来语义标记文档，那么猛犸最有效。

目前支持以下功能：

• 标题。
• 列表。
• 从您自己的docx样式到HTML的可自定义映射。例如，您可以通过提供适当的样式映射将WarningHeading转换为h1.warning。
• 表。表格本身的格式（例如边框）当前被忽略，但文本的格式与文档的其余部分相同。
• 脚注和尾注。
• 图片。
• 大胆，斜体，下划线，删除线，上标和下标。
• 链接。
• 换行。
• 文本框。文本框的内容被视为单独的段落，该段落出现在包含文本框的段落之后。
• 评论。

安装

pip install mammoth

基本转换

要将现有.docx文件转换为HTML，请将类文件对象传递给mammoth.convert_to_html。该文件应以二进制模式打开。例如：

import mammoth

with open("document.docx", "rb") as docx_file:
    result = mammoth.convert_to_html(docx_file)
    html = result.value # The generated HTML
    messages = result.messages # Any messages, such as warnings during conversion

您还可以使用mammoth.extract_raw_text提取文档的原始文本。这将忽略文档中的所有格式。每个段落后跟两个换行符。

with open("document.docx", "rb") as docx_file:
    result = mammoth.extract_raw_text(docx_file)
    text = result.value # The raw text
    messages = result.messages # Any messages

另一答案

如documentation所述：

要将现有.docx文件转换为HTML，请将类文件对象传递给mammoth.convert_to_html。该文件应以二进制模式打开。例如：

import mammoth

with open("document.docx", "rb") as docx_file:
    result = mammoth.convert_to_html(docx_file)
    html = result.value # The generated HTML
    messages = result.messages # Any messages, such as warnings during conversion