无法使用 Python 将 DOCX 转换为 HTML

Question

我已经用猛犸象试过了：

import mammoth

result = mammoth.convert_to_html("MyDocument.docx")
print (result.value)

我没有得到 HTML，但是这个奇怪的代码：

kbW7yqZoo4h9pYM6yBxX1QFx2pCoPYflXfieIPbtqpT913Vk7OzcZdEk3eO7TbWjvZNTGilsfmRrPwDvB[...]

我也尝试过使用 docx2html，但我无法安装它。当我运行时，pip install docx2html我收到此错误：

SyntaxError: Missing parentheses in call to 'print'

Answer 1

Mammoth .docx 到 HTML 转换器

Mammoth 旨在转换 .docx 文档，例如由 Microsoft Word 创建的文档，并将它们转换为 HTML。Mammoth 旨在通过使用文档中的语义信息并忽略其他细节来生成简单干净的 HTML。例如，猛犸象将具有样式标题 1 的任何段落转换为 h1 元素，而不是尝试完全复制标题的样式（字体、文本大小、颜色等）。

.docx 使用的结构与 HTML 的结构之间存在很大的不匹配，这意味着对于更复杂的文档，转换不太可能是完美的。如果您只使用样式从语义上标记您的文档，猛犸象效果最好。

目前支持以下功能：

• 标题。

• 列表。

• 从您自己的 docx 样式到 HTML 的可自定义映射。例如，您可以通过提供适当的样式映射将 WarningHeading 转换为 h1.warning。

• 表。表格本身的格式（例如边框）当前被忽略，但文本格式的处理与文档其余部分的格式相同。

• 脚注和尾注。

• 图片。

• 粗体、斜体、下划线、删除线、上标和下标。

• 链接。

• 换行。

• 文本框。文本框的内容被视为一个单独的段落，出现在包含文本框的段落之后。

• 注释。

安装

pip install mammoth

基本转换

要将现有的 .docx 文件转换为 HTML，请将类似文件的对象传递给 mammoth.convert_to_html。该文件应以二进制模式打开。例如：

import mammoth

with open("document.docx", "rb") as docx_file:
    result = mammoth.convert_to_html(docx_file)
    html = result.value # The generated HTML
    messages = result.messages # Any messages, such as warnings during conversion

您还可以使用 mammoth.extract_raw_text 提取文档的原始文本。这将忽略文档中的所有格式。每个段落后跟两个换行符。

with open("document.docx", "rb") as docx_file:
    result = mammoth.extract_raw_text(docx_file)
    text = result.value # The raw text
    messages = result.messages # Any messages