什么方法可以将word文件转换成html，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。机缘巧合，无意间听说python很擅长文本处理，用Python将word文件转换成html，作了这样的尝试，这是我第一次用python写项目，还真的能实现，而且非常方便。

用Python将word文件转换成html流程是什么？

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方法如下：

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。

├──docfiles

├──imgs

├──inddfiles

├──output

└──pdfs

└──word.py

2、引入模块和申明文件路径

importmammoth

importmammoth.transforms

importos

fromdocximportDocument

frombsonimportjson_util

importzipfile

importjson

importunidecode

importrequests

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

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

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

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

styleMap="""

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

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

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

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

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

"""

defconvert_image(image):

   return{

      "src":""

   }

defparseFile(f):

   document=Document(inputPath+f)

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

   withopen(inputPath+f,"rb")asdocFile:

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

       decoded=unidecode.unidecode(html.value)

   ifnotarticle["Title"]:

      forparaindocument.paragraphs:

           ifpara.style.name=='Title':

               ifpara.text:

                   article["Title"]=para.text

   article["Content"]=decoded

   returnarticle  

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

Convertingdocx 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

defextractImage(f):

   ziped=zipfile.ZipFile(inputPath+f)

   allFiles=ziped.namelist()

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

   imgNameArr=[]

   forimginimgs:

      res=requests.post(guidUrl)

       ifres.status_codeis200:

           guid=res.text

           data=ziped.read(img,imgPath)

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

           imgDict={}

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

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

           imgNameArr.append(imgDict)

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

           target=open(targetPath,"wb")

          target.write(data)

           target.close()

   ziped.close()

   returnimgNameArr

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

defprocessDocs(path):

   result=[]

   forfinos.listdir(path):

       ifnotf.startswith('.'):

           imgNameArr=extractImage(f)

           article=parseFile(f)

          fileName=os.path.basename(f)

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

           foridx,sectioninenumerate(contentArr):

               forinfoinimgNameArr:

                   ifidxisinfo["index"]:

                       contentArr[idx]=section+"<img alt=&apos;"+info["fileName"]+"&apos; data-fileName=&apos;"+info["fileName"]+"&apos;"

           article["Content"]=&apos;&apos;.join(contentArr)

           result.append(article)

   withopen(outputFile,&apos;w+&apos;)asf:

       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。

参考链接

dpapathanasiou/pdfminer-layout-scanner

综上所述，用Python将word文件转换成html，步骤是不是很简单，内容是不是很流畅，这是个很好的案例，希望对大家有所帮助。