pypandoc库实现文档转换
写在前面:
对于python程序员来说,文件格式之间转换很常用,尤其是把我们爬虫爬到的内容转换成想要的文档格式时。这几天看到一个网站上有许多文章,个人很喜欢,直接复制太麻烦,为了将爬到的html文件以word .doc 文件的格式存储到自己的数据库,选用了pypandoc库。
这个库语法简单,瞄一眼就能会,就跟我一起来看看吧。
安装
安装一般先装pandoc 然后安装pypandoc库
1.window
1>安装pandoc:直接下载windows版本的.msi文件即可,传送门 https://github.com/jgm/pandoc/releases/
2>安装pypandoc库:命令行安装,或者直接idea安装
pip install pypandoc
2.ubuntu
sudo apt install pandoc pip install pypandoc
使用
pypandoc主要有3个函数:
1.convert() 2.convent_file() 3.convenr_text()
其中convert()官方建议不用,容易产生歧义。
convert_file()和convent_text()区别就在于一个接收文件参数,一个接收文本参数。结合下面例子一看即懂:
import pypandoc """ pypandoc.convert_file(source_file, to, format=None, extra_args=(), encoding='utf-8', outputfile=None, filters=None, verify_format=True) 参数说明: source_file:源文件路径 to:输入应转换为的格式;可以是'pypandoc.get_pandoc_formats()[1]`之一 format:输入的格式;将从具有已知文件扩展名的源_文件推断;可以是“pypandoc.get_pandoc_formats()[1]”之一(默认值= None) extra_args:要传递给pandoc的额外参数(字符串列表)(Default value = ()) encoding:文件或输入字节的编码 (Default value = 'utf-8') outputfile:转换后的内容输出路径+文件名,文件名的后缀要和to的一致,如果没有,则返回转换后的内容(默认值= None) filters – pandoc过滤器,例如过滤器=['pandoc-citeproc'] verify_format:是否对给定的格式参数进行验证,(pypandoc根据文件名截取后缀格式,与用户输入的format进行比对) pypandoc.convert_text(source, to, format, extra_args=(), encoding='utf-8', outputfile=None, filters=None, verify_format=True): 参数说明: source:字符串 其余和canvert_file()相同 """ # 将当前目录下html目录中的1.html网页文件直接转换成.docx文件,文件名为file1.docx,并保存在当前目录下的doc文件夹中 pypandoc.convert_file('./html/1.html', 'docx', outputfile="./doc/file1.docx") # 将当前目录下html目录中的1.html网页文件 读取出来,然后转换成.docx文件,文件名为file2.docx,并保存在当前目录下的doc文件夹中 with open('./html/1.html', encoding='utf-8') as f: f_text = f.read() pypandoc.convert_text(f_text, 'docx', 'html', outputfile="./doc/file2.docx")
可转格式
支持输入格式:
biblatex, bibtex, commonmark, commonmark_x, creole, csljson, csv, docbook, docx, dokuwiki, epub, fb2, gfm, haddock, html, ipynb, jats, jira, json, latex, man, markdown, markdown_github, markdown_mmd, markdown_phpextra, markdown_strict, mediawiki, muse, native, odt, opml, org, rst, rtf, t2t, textile, tikiwiki, twiki, vimwiki
支持输出格式:
asciidoc, asciidoctor, beamer, biblatex, bibtex, commonmark, commonmark_x, context, csljson, docbook, docbook4, docbook5, docx, dokuwiki, dzslides, epub, epub2, epub3, fb2, gfm, haddock, html, html4, html5, icml, ipynb, jats, jats_archiving, jats_articleauthoring, jats_publishing, jira, json, latex, man, markdown, markdown_github, markdown_mmd, markdown_phpextra, markdown_strict, mediawiki, ms, muse, native, odt, opendocument, opml, org, pdf, plain, pptx, revealjs, rst, rtf, s5, slideous, slidy, tei, texinfo, textile, xwiki, zimwiki
一图知晓: