用Python将word文件转换成html

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。

1. ├── docfiles
复制代码
1. [/code]
2. [*][code]├── imgs
复制代码
1. [/code]
2. [*][code]├── inddfiles
复制代码
1. [/code]
2. [*][code]├── output
复制代码
1. [/code]
2. [*][code]└── pdfs
复制代码
1. [/code]
2. [*][code]└── word.py
复制代码

2、引入模块和申明文件路径

1. import mammoth
复制代码
1. import mammoth.transforms
复制代码
1. import os
复制代码
1. from docx import Document
复制代码
1. from bson import json_util
复制代码
1. import zipfile
复制代码
1. import json
复制代码
1. import unidecode
复制代码
1. import requests
复制代码
1. [/code]
2. [*][code]guidUrl = "https://my.phrplus.com/REST/guid"
复制代码
1. inputPath = '/Users/admin/cwell/parser/docfiles/'
复制代码
1. imgPath = "/Users/admin/cwell/parser/imgs/"
复制代码
1. outputFile = '/Users/admin/cwell/parser/output/output.json'
复制代码

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

1. styleMap = """
复制代码
1. p[style-name='Title'] => h1.hide
复制代码
1. p[style-name='Subhead 1'] => h3
复制代码
1. p[style-name='List Bullet'] => ul.first > li:fresh
复制代码
1. p[style-name='List Bullet 2'] => ul.second > li:fresh
复制代码
1. p[style-name='Hyperlink']=>a.link
复制代码
1. """
复制代码
1. def convert_image(image):
复制代码
1. return {
复制代码
1. "src":""
复制代码
1. }
复制代码
1. [/code]
2. [*][code]def parseFile(f):
复制代码
1. document = Document(inputPath+f)
复制代码
1. article = {"Title":document.core_properties.title,"Content":""}
复制代码
1. with open(inputPath+f,"rb") as docFile:
复制代码
1. html = mammoth.convert_to_html(docFile,style_map=styleMap,convert_image=mammoth.images.img_element(convert_image))
复制代码
1. decoded = unidecode.unidecode(html.value)
复制代码
1. [/code]
2. [*][code]
复制代码
1. if not article["Title"]:
复制代码
1. for para in document.paragraphs:
复制代码
1. if para.style.name == 'Title':
复制代码
1. if para.text:
复制代码
1. article["Title"] = para.text
复制代码
1. [/code]
2. [*][code] article["Content"]=decoded
复制代码
1. return article
复制代码

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stylemap和convertimage。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

1. Converting docx to clean HTML: handling the XML structure mismatch
复制代码

'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。
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

1. def extractImage(f):
复制代码
1. ziped = zipfile.ZipFile(inputPath+f)
复制代码
1. allFiles = ziped.namelist()
复制代码
1. imgs = filter(lambda x: x.startswith('word/media/'), allFiles)
复制代码
1. imgNameArr = []
复制代码
1. for img in imgs:
复制代码
1. res = requests.post(guidUrl)
复制代码
1. if res.status_code is 200:
复制代码
1. guid = res.text
复制代码
1. data = ziped.read(img,imgPath)
复制代码
1. idxStr = os.path.basename(img).split(".")[0][-1:]
复制代码
1. imgDict = {}
复制代码
1. imgDict["index"] = int(idxStr)-1
复制代码
1. imgDict["fileName"] = guid+".jpg"
复制代码
1. imgNameArr.append(imgDict)
复制代码
1. targetPath = os.path.join(imgPath,guid+".jpg")
复制代码
1. target = open(targetPath,"wb")
复制代码
1. target.write(data)
复制代码
1. target.close()
复制代码
1. ziped.close()
复制代码
1. return imgNameArr
复制代码

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

1. def processDocs(path):
复制代码
1. result = []
复制代码
1. for f in os.listdir(path):
复制代码
1. if not f.startswith('.'):
复制代码
1. imgNameArr = extractImage(f)
复制代码
1. article = parseFile(f)
复制代码
1. fileName = os.path.basename(f)
复制代码
[code] contentArr = article["Content"].split("