如何在Python中将Word文档转换为非常简单的HTML？

Question

时不时我会收到一个Word文档，需要将其显示为网页。目前我正在使用Django的flatpages通过获取MS Word生成的html内容来实现这一点。但生成的html非常混乱。有没有更好的方法可以使用Python生成非常简单的html来解决这个问题？

- Thierry Lam

Answer 1

一个好的解决方案是将文件上传到Google Docs并从中导出html版本。（应该有一个api可以做到这一点吧？）它可以进行许多"清理"操作；之后可以使用Beautiful Soup进行任何必要的进一步更改。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。

- lprsd

---

但是，您如何从Google文档中实现呢？我上传我的MSWord文档并选择转换选项 - 它会丢失所有图表。 - likejudo

Answer 2

我发现了这个网页：http://www.textfixer.com/html/convert-word-to-html.php。它可以将格式化文本转换为简单的HTML标记，保留粗体、斜体、链接和段落，但不会添加字体大小和字体样式的标签。这正是我需要节省时间的地方。

- DerVO

---

这太令人惊奇了！功能完全符合我的要求。 - Justin

Answer 3

我的超级简单的应用程序WordOff有一个API，可以清理从Word导出的HTML中的垃圾。您可以覆盖flatpages模型的保存方法，将HTML通过API传递第一次保存。像这样：

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)

- tomd

---

WordOff 在这方面做得相当不错。 - Steve Jalim

如果您想在本地使用Wordoff，可以下载该模块并使用其“superClean”方法以获得相同的结果：https://raw.github.com/tomdyson/wordoff/master/wordoff.py - Bala Clark

嗨，Tomd，WordOff.org已经过期了。 - fedmich

Answer 4

这取决于你要处理多少格式和图片。我会采取以下几种方法之一：

• Google 文档: 可能是最接近原始格式且可用的 HTML。
• Markdown: 放弃格式。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。

- Chris Amico

---

我该如何从Google文档中获取HTML？是通过“下载为HTML”选项吗？ - Thierry Lam

+1：Word Doc 文件非常难以处理。许多工具可以将它们转换，包括 Open Office。Google Docs 由于是 HTTP Web 服务，因此具有简单的 API。 - S.Lott

MS Word转换为HTML简直是恶魔。我的客户交给我一份95页的Word文档，里面包含数百个“旅游景点”，并说：“把它输入到数据库中应该很容易。” 呜呜！尽管我完成了任务并按小时收费100美元，但我认为在经历了这份痛苦之后我实际上是少开价了。这个HTML文件是我曾经遇到的最糟糕的。 - Peter Rowell

Answer 5

您也可以使用Abiword/wvWare将Word文档转换为XHTML，然后使用BeautifulSoup/ElementTree等进行预处理（如果需要的话）。在我的经验中，Abiword在转换Word文件并生成相对干净的XHTML文件方面做得相当不错。

我应该提到，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。

- Etienne

Answer 6

Word 2010具有“另存为筛选的网页”的功能。这将消除Word插入的绝大部分HTML。

- Greg Burdett