用Python将word文件转换成html
序
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。
-
├── docfiles
-
├── imgs
-
├── inddfiles
-
├── output
-
└── pdfs
-
└── word.py
2、引入模块和申明文件路径
-
import mammoth
-
import mammoth.transforms
-
import os
-
from docx import Document
-
from bson import json_util
-
import zipfile
-
import json
-
import unidecode
-
import requests
-
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
-
"""
-
def convert_image(image):
-
return {
-
"src":""
-
}
-
def parseFile(f):
-
document = Document(inputPath+f)
-
article = {"Title":document.core_properties.title,"Content":""}
-
with open(inputPath+f,"rb") as docFile:
-
html = mammoth.convert_to_html(docFile,style_map=styleMap,convert_image=mammoth.images.img_element(convert_image))
-
decoded = unidecode.unidecode(html.value)
-
if not article["Title"]:
-
for para in document.paragraphs:
-
if para.style.name == 'Title':
-
if para.text:
-
article["Title"] = para.text
-
article["Content"]=decoded
-
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
-
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
-
def extractImage(f):
-
ziped = zipfile.ZipFile(inputPath+f)
-
allFiles = ziped.namelist()
-
imgs = filter(lambda x: x.startswith('word/media/'), allFiles)
-
imgNameArr = []
-
for img in imgs:
-
res = requests.post(guidUrl)
-
if res.status_code is 200:
-
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()
-
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
-
def processDocs(path):
-
result = []
-
for f in os.listdir(path):
-
if not f.startswith('.'):
-
imgNameArr = extractImage(f)
-
article = parseFile(f)
-
fileName = os.path.basename(f)
-
contentArr = article["Content"].split("<img")
-
for idx, section in enumerate(contentArr):
-
for info in imgNameArr:
-
if idx is info["index"]:
-
contentArr[idx] = section+"<img alt='"+info["fileName"]+"' data-fileName='"+info["fileName"]+"'"
-
article["Content"] = ''.join(contentArr)
-
result.append(article)
-
with open(outputFile,'w+') as f:
-
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。