用Python将word文件转换成html

 

最近公司一个客户大大购买了一堆医疗健康方面的科普文章,希望能放到我们正在开发的健康档案管理软件上。客户大大说,要智能推送!要掌握节奏!要深度学习!要让用户留恋网站无法自拔!

话说符合以上特点的我也只能联想到某榴了。

当然,万里长征的第一步是把文章导入我们的数据库。项目使用的是AWS的dynamoDB,是非关系型数据库,所有内容都是以json的形式储存的。而客户大大购买来的文章,一共600多篇,要么是word要么是Adobe indesign的indd。找了一圈,没有发现合适的应用可以把word或indd转化成干净的html。所以我只能自己造轮子啦~听说python很擅长文本处理,所以就是你了,python!这是我第一次用python写项目,不符合规范的地方欢迎大神提点。

太长不看

用逆天的python 模块mammoth和docx 处理你的word文件;把indd批量转化成pdf然后用layout_scanner转化成html。

word批量转化为html

1、 建立文件结构并批量读取文件

在根目录下创建几个文件夹,用来放不同格式的文件,我把所有要处理的word文件放在docfiles 这个子目录里。word.py里写转化程序。

  1. ├── docfiles

  2.  

  3. ├── imgs

  4.  

  5. ├── inddfiles

  6.  

  7. ├── output

  8.  

  9. └── pdfs

  10.  

  11. └── word.py

2、引入模块和申明文件路径

  1. import mammoth

  2. import mammoth.transforms

  3. import os

  4. from docx import Document

  5. from bson import json_util

  6. import zipfile

  7. import json

  8. import unidecode

  9. import requests

  10.  

  11. guidUrl = "https://my.phrplus.com/REST/guid"

  12. inputPath = '/Users/admin/cwell/parser/docfiles/'

  13. imgPath = "/Users/admin/cwell/parser/imgs/"

  14. outputFile = '/Users/admin/cwell/parser/output/output.json'

mammoth: 核心组件,用来做转化工作

docx: 另一个做转化工作的模块,用来补充mammoth

os: 用来在系统中读取写入文件

zipfile: 用来解压word文档以提取图片

json: 用来把数据转化成json

bson: 用来配置写入json文件

unicode:用来处理字符

requests:用来调用api

3、转换单个文件

  1. styleMap = """

  2. p[style-name='Title'] => h1.hide

  3. p[style-name='Subhead 1'] => h3

  4. p[style-name='List Bullet'] => ul.first > li:fresh

  5. p[style-name='List Bullet 2'] => ul.second > li:fresh

  6. p[style-name='Hyperlink']=>a.link

  7. """

  8. def convert_image(image):

  9.    return {

  10.        "src":""

  11.    }

  12.  

  13. def parseFile(f):

  14.    document = Document(inputPath+f)

  15.    article = {"Title":document.core_properties.title,"Content":""}

  16.    with open(inputPath+f,"rb") as docFile:

  17.        html = mammoth.convert_to_html(docFile,style_map=styleMap,convert_image=mammoth.images.img_element(convert_image))

  18.        decoded = unidecode.unidecode(html.value)

  19.  

  20.  

  21.    if not article["Title"]:

  22.        for para in document.paragraphs:

  23.            if para.style.name == 'Title':

  24.                if para.text:

  25.                    article["Title"] = para.text

  26.  

  27.    article["Content"]=decoded

  28.    return article  

parseFile就是核心功能了。传递进来的参数f是文件名,和文件路径合在一起能够帮我们准确定位要转化的文件。首先用docx找到文档的标题,并创建一个dictionary,里面包含标题和内容。然后用mammoth转化整个文件。注意命令中要用到stylemap和convertimage。前者用来规定转化规则:'style-name'是word里的式样名称,用word打开文档,点击任意一个元素可以查看其式样名称;这里规定标题转化为h1,副标题转化为h2等等。关于列表的转化规则这里就不详细叙述了,具体可以参考下面的文章:

参考链接

  1. Converting docx to clean HTML: handling the XML structure mismatch

'convert_image' 是用来规定图片的转化方式的,由于我准备之后批处理所有文档中的图片,在这里就告诉程序不储存任何图片信息。但是于此同时保留图片的img tag以便标注图片在文档中的位置。如果不规定任何转化方式,生成的html里面会包含一大长串base64的图片信息。

mammoth转化出来的html是含有unicode的,不知道为什么python里跑一直报错,就用unicode解码了一下。

这之后,如果前面的程序没有抓取到文档标题,用docx换个姿势再抓取一下。

最后返回article这个dictionary。

4、抓取图片

  1. def extractImage(f):

  2.    ziped = zipfile.ZipFile(inputPath+f)

  3.    allFiles = ziped.namelist()

  4.    imgs = filter(lambda x: x.startswith('word/media/'), allFiles)

  5.    imgNameArr = []

  6.    for img in imgs:

  7.        res = requests.post(guidUrl)

  8.        if res.status_code is 200:

  9.            guid = res.text

  10.            data = ziped.read(img,imgPath)

  11.            idxStr = os.path.basename(img).split(".")[0][-1:]

  12.            imgDict = {}

  13.            imgDict["index"] = int(idxStr)-1

  14.            imgDict["fileName"] = guid+".jpg"

  15.            imgNameArr.append(imgDict)

  16.            targetPath = os.path.join(imgPath,guid+".jpg")

  17.            target = open(targetPath,"wb")

  18.            target.write(data)

  19.            target.close()

  20.    ziped.close()

  21.    return imgNameArr

没想到word文档其实是一个压缩文件吧?如果直接把word文档的后缀名改成zip然后再用解压软件查看,会看到一个media文件夹,里面就包含所有插入的图片。

用ziped读取文档,然后找到存放图片的media文件夹,每一个图片重新用guid命名,生成一个dictionary,里面包含的信息有“此图片在文档中出现的顺序”和文件名。话说media中的图片都被按照顺序重新命名为image1.png, image2.png,刚好为我们抓取顺序信息提供了方便。

(python也有生成guid的模块,我在这里调用api有点多此一举,但是为了和项目中其他图片需要用到的uuidv4保持一致还是用了)

之后就是把图片存在‘imgs’这个文件夹下。

5、生成json

  1. def processDocs(path):

  2.    result = []

  3.    for f in os.listdir(path):

  4.        if not f.startswith('.'):

  5.            imgNameArr = extractImage(f)

  6.            article = parseFile(f)

  7.            fileName = os.path.basename(f)

  8.            contentArr = article["Content"].split("<img")

  9.            for idx, section in enumerate(contentArr):

  10.                for info in imgNameArr:

  11.                    if idx is info["index"]:

  12.                        contentArr[idx] = section+"<img alt='"+info["fileName"]+"' data-fileName='"+info["fileName"]+"'"

  13.  

  14.            article["Content"] = ''.join(contentArr)

  15.            result.append(article)

  16.  

  17.  

  18.    with open(outputFile,'w+') as f:

  19.        json.dump(result,f,default=json_util.default)

最后要用到的一个function就是写个循环挨个处理docfiles文件夹底下的文件了。针对每一个文件,记得把之前生成的图片信息的数组map到html里,然后在写入到json文件里就大功告成了!

indd转化为html

话说,到现在为止,我还没有找到一个完美的解决方案。我使用了相同的思路,把indd先批量生成为pdf(有一个indesign 脚本就是专门批量转化pdf的),然后用了一个叫做layout_scanner的github项目抓取pdf信息并转化为html。最后生成的html包含了文字和图片,但是图标和排版就保存不下来了。客户大大表示不满意。我也很惆怅啊!机智的小伙伴们如果有更好的思路请务必告诉我!如果需要我详细说明一下这一块内容,我会更新在这篇文章中。