给大家分享一篇 python大法好,word, pdf变身html没烦恼

【README.md】

Hi 我是栗子君,一枚身在美帝的小程序员。

我工作的公司加上老板一共有五个人:老板迈叔,维持着一切事物让业务不至于垮掉的产品经理田田,颜值担当吉米还有吐槽担当的我,还有刚刚加入的酷炫小哥DJ。

就像银魂里的万事屋,我们经常会接到各种客户奇奇怪怪的委托,每天都要面对不一样的技术问题。生活在充满挑战的环境里的我决定开通这个专栏,来记录每一个挑战,每一次尝试,每一种解决方案,希望能够帮到遇到同样问题的你(围笑)。

正确打开方式:

【太长不看】–> 没时间或者没兴趣阅读全文的话也没关系,只要看【太长不看】标签就可以 get到要点。

【参考链接】–> 研究问题的时候参考的材料链接。

【请讲人话】–> 会对一些术语做出尽量通俗的解释,如果有另外需要解释的术语请在评论区 留言~我会在文中更新

欢迎转发!欢迎点赞!转载请联系专栏作者授权。

【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style_map和convert_image。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。(评论区 知乎用户 东升 提醒python3 就不用unicode解码了)

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。

 
Python学习交流群:834179111,群里有很多的学习资料。欢迎欢迎各位前来交流学习。

阅读更多
文章标签: Python
个人分类: Python
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭
关闭