pandoc是一个强大的文档格式转换工具,支持丰富的格式转换,并尽可能的保留原来的排版,号称文档格式转换的瑞士军刀,本文将给大家介绍一下使用python搭配pandoc实现html批量转word,感兴趣的朋友可以参考阅读−
使用python搭配pandoc实现html批量转word
好兄弟工作上有一批(5000+)html的文档需要转成word格式,他采用了两种实现方式,但都有些问题:
-
直接改后缀有些会乱码 --> 有些会乱码,原因不知
-
一个一个复制粘贴 --> 太费时间
找到我来帮忙,研究了下发现了pandoc这个神器,记录下实现的过程和踩的坑
pandoc简介
pandoc是一个强大的文档格式转换工具,支持丰富的格式转换,并尽可能的保留原来的排版,号称文档格式转换的瑞士军刀
体支持哪些格式转换可以查看官方文档(网页打开比较慢…):Pandoc - index
需要说明的是,pandoc要下载并安装到本地才可以使用,windows下是一个msi的安装包(mac版没试),安装之后会自动添加路径到环境变量里,可以直接使用cmd执行程序
使用cmd进行文档格式转换
一开始我是直接使用cmd指令进行格式转换,使用到的指令如下:
pandoc abc.html -o abc.docx
本地测试了一下可以正常转换,然后我就想写一个bat脚本批量执行,但是发现cmd指令读不出来中文文件名,即使改了cmd的编码为UTF-8也不行,查了好多资料都没找到解决方法,只好作罢,如果有大佬知道怎么读取中文文件名的还请不吝赐教
使用python搭配pandoc
没法使用bat脚本进行转换,又查了些资料,改为使用python中的os.system来代替执行cmd指令,具体代码如下:
注意:前提是必须要安装pandoc到系统
-
import os
-
def transfer_file(file_dir):
-
count = 1
-
for root, dirs, files in os.walk(file_dir): # 获取当前文件夹的信息
-
for file in files: # 扫描所有文件
-
if os.path.splitext(file)[1] == ".html": # 提取出所有后缀名为.html的文件
-
os.chdir(root) # os.chdir() 方法用于改变当前工作目录到指定的路径。
-
print("正在转换第:" + str(count) + "个文件")
-
count = count + 1
-
print("转换开始:" + "pandoc " + file + " -o " + os.path.splitext(file)[0] + ".docx")
-
# 使用os.system调用pandoc进行格式转化
-
os.system("pandoc " + file + " -o " + os.path.splitext(file)[0] + ".docx")
-
print("转换完成...")
-
if __name__ == "__main__":
-
# os.path.realpath(__file__))是当前python文件所在的文件夹路径,如果想要转换指定文件夹,可以修改此路径
-
transfer_file(os.path.dirname(os.path.realpath(__file__)))
可以实现批量转化
关于pypandoc
pandoc有一个python的包叫pypandoc
,引入这个包直接调用pandoc.convert_file
方法也可以实现文档格式转换,但是我没有试过这种方式需不需要安装pandoc,后面再摸索下
总结
pandoc是真的很强大,完美解决了乱码问题和排版问题,另外原html中的图片只要是在线图片也可以转到docx文档中,以后再研究一下其他打开方式,听说可以很方便的制作电子书,期待~
到此这篇关于基于python+pandoc实现html批量转word的文章就介绍到这了。
感谢每一个认真阅读我文章的人,礼尚往来总是要有的,虽然不是什么很值钱的东西,如果你用得到的话可以直接拿走:
这些资料,对于【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴上万个测试工程师们走过最艰难的路程,希望也能帮助到你!有需要的小伙伴可以点击下方小卡片领取