提取网页内容存储为word的方法

应用需求

word是我们平常办公最常用的文字处理软件之一了，但是我们第一手阅读的材料却并不通常是用word来写就的（非doc格式），可能是txt文本，pdf文件，更多的可能就是网页内容了。我们希望有一种轻快便捷的方案可以很容易地将网页内容导出成doc格式的文件，这样我们就可以用word来处理它们了。

今天老师让我办件事，是登录进一个问卷调查网页，将所有问卷内容提取出来，整理成word文件发给她。我在登进问卷（.aspx格式）后发现，网页内容是受保护的，不可以直接复制内容（点击右键没有任何响应）。

于是乎，我就面临了第一个考验，如何获取网页内容？

pdf2word

我的第一种方法是利用浏览器的打印功能，将网页保存为pdf。保存了4个pdf文件（因为问卷有4页）之后，我首先利用在线文档转换工具Smallpdf将4个pdf文件合二为一，然后在线转为word。

然而令我大失所望的是，转化成的word文件有太多太多的格式、字体问题，别说是编辑重用了，连阅读都不堪其用。我试了许多其他的pdf转word在线平台，效果都是半斤八两，不堪入目。

html2word

既然pdf不是一个明智的选择，我开始思考其他方案。我发现在浏览器中还有这样一个功能：将页面存储为html格式。以谷歌为例，在功能->更多工具中选中另存为html，就可以将当前网页的html格式连同一个链接文件（如果存在）一起下载到本地。

接下来的操作异常简单：

• 选择下载好的html文件，右键点击“打开方式”选项，用Word打开；
• 打开后可以看到文件格式与网页中显示基本一致，选择“文件另存为”，存成以“docx”为后缀的文件；
• 如果html中有引用文件包中的链接，需要对其进行编辑（我遇到的网页无此情形）；
• 可尝试删除与html文件一起被下载的文件包，以免每次打开html转成的word文件都需要授权。

这样一来，一个可以分享给他人的word文件就完成了。
为了方便以后的工作，以及分享给有需要的人，暂且把这些操作记录下来。
【其实我是个科研工作者~~~】

参考内容：
http://code.makery.ch/library/convert-web-page-to-word/