如何在 Python 中将 Word 文档转换为非常简单的 html？ [关闭]

Posted 2023-02-24

【中文标题】如何在 Python 中将 Word 文档转换为非常简单的 html？ [关闭]

【英文标题】：How do you convert a Word Document into very simple html in Python? [closed]

【发布时间】：2010-12-08 11:44:14

【问题描述】：

我时不时会收到一个 Word 文档，我必须将其显示为网页。我目前正在使用 Django 的平面页面通过抓取 MS Word 生成的 html 内容来实现这一点。生成的html非常混乱。有没有更好的方法可以生成非常简单的 html 来使用 Python 解决这个问题？

【参考方案1】：

Word 2010 具有“另存为过滤网页”的功能。这将消除 Word 插入的绝大多数 HTML。

【参考方案2】：

我找到了这个网页：http://www.textfixer.com/html/convert-word-to-html.php

它将格式化文本转换为简单 HTML 标记，保留粗体、斜体、链接和段落，但不添加字体大小和面孔的标签。正是我需要节省一些时间。

【讨论】：

这太神奇了！完全按照我的意愿工作。

【参考方案3】：

我的超级简单应用程序WordOff 有一个API 用于清理Word 导出的HTML 中的垃圾。您可以覆盖平面页面模型的保存方法，以便在第一次保存 HTML 时通过 API 进行管道传输。像这样的：

import urllib
import urllib2

def decruft(html):
    data = urllib.urlencode('html' : html)
    req = urllib2.Request('http://wordoff.org/api/clean', data)
    response = urllib2.urlopen(req)
    return response.read()

def save(self, **kwargs):
    if not self.pk: # only de-cruft when content is first added
        self.content = decruft(self.content)
    super(FlatPage, self).save(**kwargs)

【讨论】：

WordOff 在这种事情上做得非常好

如果你想在本地使用wordoff，你可以下载模块并使用它的“superClean”方法得到相同的结果：raw.github.com/tomdyson/wordoff/master/wordoff.py

你好，虽然 WordOff.org 已经过期了

【参考方案4】：

您也可以使用Abiword/wvWare将word文档转换为XHTML，然后使用BeautifulSoup/ElementTree/等进行解析。如果需要，可以对其进行预处理。根据我的经验，Abiword 在转换 Word 文件和生成相对干净的 XHTML 文件方面做得很好。

我应该提一下，Abiword 可以在命令行上运行，因此很容易将其集成到自动化流程中。

【参考方案5】：

这取决于您要处理多少格式和图像。我会做以下几件事之一：

Google 文档

：可能是最接近原始格式和可用 HTML 的。

Markdown

：放弃格式化。将其粘贴到纯文本编辑器中，通过 Markdown 运行并手动修复其余部分。

【讨论】：

如何从 Google Doc 获取 HTML？是“下载为 HTML”选项吗？

+1：Word Doc 文件非常难以处理。许多工具会转换它们，包括 Open Office。 Google Docs 有一个简单的 API，因为它是一个 HTTP 网络服务。

MS Word -> HTML 简直是邪恶的。我有一个客户递给我一份 95（！）页的 word 文档，其中包含数百个“可以看到的地方”，并说：“将其输入数据库应该很容易。”啊！我做到了，并为这项特权向他收取了 100 美元/小时的费用，但考虑到痛苦的程度，我认为我收取的费用太少了。 HTML 是我用过的最糟糕的。

【参考方案6】：

一个好的解决方案是上传到 Google Docs 并从中导出 html 版本。 （必须有一个API？）

它做了很多“清理”； Beautiful Soup 可用于在适当的情况下进行任何进一步的更改。它是地球上最强大、最优雅的 html 解析库。

这是新闻公司的已知标准。

【讨论】：

但是您究竟是如何通过 Google Docs 做到这一点的呢？我上传了我的 MSWord 文档并选择了转换选项 - 它丢失了所有图表