python3 html文件转doc,Python实现将HTML转换成doc格式文件的方法示例

本文实例讲述了Python实现将HTML转换成doc格式文件的方法。分享给大家供大家参考，具体如下：

网页上的一些文章，因为有格式的原因，它们在网页上的源码都是带有html标签的，用css来进行描述。本文利用HTML Parser 和docx两个模块，对网页进行解析并存储到word文档中。转换出来的格式相对还是有些粗糙，不喜勿喷。话不多说，直接上代码。

class HTMLClient:

#获取html网页源码

def GetPage(self, url):

#user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'

user_agent = 'Mozilla/5.0 (X11; Linux i686) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/34.0.1847.116 Chrome/34.0.1847.116 Safari/537.36'

headers = { 'User-Agent' : user_agent }

req = urllib.request.Request(url, None, headers)

try:

res = urllib.request.urlopen(req)

return res.read().decode("utf-8")

except urllib.error.HTTPError as e:

return None

#获取网络图片并保存在程序运行目录下

def GetPic(self, url):

user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'

headers = { 'User-Agent' : user_agent }

req = urllib.request.Request(url, None, headers)

try:

res = urllib.request.urlopen(req)

return res.read()

except urllib.error.HTTPError as e:

return None

html到doc的转换过程中，图片保存和处理是比较麻烦的事情，因为可能涉及到图片格式错误，因此为了保证图片正常运行，应当修改图片添加异常处理流程。

class MYHTMLParser(HTMLParser):

def __init__(self, docfile):

HTMLParser.__init__(self)

self.docfile = docfile

self.doc = Document(docfile)

self.myclient = HTMLClient()

self.text = ''

self.title = False

self.isdescription = False

self.picList=[]

#根据标签头类型决定标签内容的格式

def handle_starttag(self, tag, attrs):

#print "Encountered the beginning of a %s tag" % tag

self.title = False

self.isdescription = False

#

标签说明其中的内容是标题

if re.match(r'h(\d)', tag):

self.title = True

#图片的处理比较复杂，首先需要找到对应的图片的url，然后下载并写入doc中

#下载的图片格式如果有问题，docx模块会报错，因此重新定义异常处理

#图片名称需要记录下来，在文档保存后要自动删除

if tag == "img":

if len(attrs) == 0: pass

else:

for (variable, value) in attrs:

if variable == "src":

#此处图片url类型为[http://url/pic.img!200*200]

#不同网站图片类型不同，因此当作不同处理

picdata = self.myclient.GetPic(value.split('!')[0])

if picdata == None:

pass

else:

pictmp = value.split('/')[-1].split('!')[0]

picfix = value.split('/')[-1].split('!')[-1]

with open(pictmp, 'wb') as pic:

pic.write(bytes(picdata))

pic.close()

try:

if picfix[0:1] == 'c':

self.doc.add_picture(pictmp, width=Inches(4.5))

else:

self.doc.add_picture(pictmp)#, width=Inches(2.25))

except docx.image.exceptions.UnexpectedEndOfFileError as e:

print(e)

self.picList.append(pictmp)

#javascript脚本

if tag == 'script':

self.isdescription = True

def handle_data(self, data):

if self.title == True:

if self.text != '':

self.doc.add_paragraph(self.text)

self.text = ''

self.doc.add_heading(data, level=2)

if self.isdescription == False:

self.text += data

def handle_endtag(self, tag):

#if tag == 'br' or tag == 'p' or tag == 'div':

if self.text != '':

self.doc.add_paragraph(self.text)

self.text = ''

def complete(self, html):

self.feed(html)

self.doc.save(self.docfile)

for item in self.picList:

if os.path.exists(item):

os.remove(item)

希望本文所述对大家Python程序设计有所帮助。