我们在实际的项目开发的过程中，有时候不得不将文件从一种格式转换为另一种格式。
DOCX（由 Microsoft Word 使用）是一种非常常见的文件格式，被很多人使用。有时候，我们希望将 Word 文档转换为 HTML。
这可以通过 Mammoth 包轻松实现。它是一个用于将 DOCX 文件转换为 HTML 的简单、高效、快速的库。在本文中，我们将学习如何在 Python 中使用 Mammoth 将 DOCX 转换为 HTML。
安装 Mammoth
首先，在安装之前准备好并激活你的虚拟环境：
python3 -m venv myenv . myenv/bin/activate
然后，使用pip安装 Mammoth：
pip3 install mammoth
本教程使用的 Mammoth 版本是 1.4.15。在测试的时候，请确保它是.docx 文件！
以上环境准备好后，现在让我们开始提取文本并将其转换成 HTML。
提取 DOCX 文件的原始文本
在转换为 HTML 时保留格式是 Mammoth 的最佳功能之一。这里我们只需要几行代码转换成你需要 DOCX 文件的文本。
使用 extract_raw_text()方法来获取它：
import mammoth
with open(input_filename, "rb") as docx_file:
result = mammoth.extract_raw_text(docx_file)
text = result.value # The raw text
with open('output.txt', 'w') as text_file:
text_file.write(text)注意，此方法不会返回有效的 HTML 文档。它只返回页面上的文本，因此我们使用.txt 扩展来保存它。如果你确实需要保持布局或格式，你需要提取 HTML 内容。
将 Docx 转换为 HTML 并自定义样式映射
默认情况下，Mammoth 将文档转换为 HTML，但它不会提供有效的 HTML 页面。虽然网页浏览器可以显示内容，但它缺少一个<html>标签来封装文档，以及一个<body>标签来包含文档。
假设使用的是带有模板的网络框架。可能会定义一个模板来显示 Word 文档，并将 Mammoth 的输出加载到模板主体内。
Mammoth 不仅在如何使用其输出方面具有灵活性，而且在如何创建输出方面也具有很大的灵活性。特别是在我们想要样式化我们生成的 HTML 时，我们有很多选项。我们通过将每个 DOCX 格式规则匹配到相应的 CSS 规则来映射样式。
要查看你的 DOCX 文件有哪些样式，你有两个选择：
使用 MS Word 打开您的 docx 文件，并检查样式工具栏。
通过用解压管理器打开你的 DOCX 文件来研究 XML 文件，然后导航到
/word/styles.xml并找到你的样式。
第二个选项适用于无法使用 MS Word 或无法解释和显示样式的替代文字处理程序的用户。
Mammoth 已经默认涵盖了某些最常用的样式映射。例如，Heading1在 docx 样式中映射到 HTML 元素的<h1>，bold被映射到 HTML 元素的<strong>，等等。
我们还可以在映射时使用 Mammoth 来自定义文档的样式。例如，如果您想将 DOCX 文件中的所有bold出现次数更改为 HTML 中的斜体，可以这样子实现：
import mammoth
custom_styles = "b => i"
with open(input_filename, "rb") as docx_file:
result = mammoth.convert_to_html(docx_file, style_map = custom_styles)
text = result.value
with open('output.html', 'w') as html_file:
html_file.write(text)通过 custom_styles 变量，左边的样式来自 DOCX 文件，而右边的是相应的 CSS。
假设我们想完全省略粗体出现的次数，我们可以将映射目标留空：
custom_styles = "b => "
有时我们转换的文档会有很多样式需要保留。这个时候再这样实现就会变得不切实际，要为每一个我们要映射的样式都创建一个变量。
不过有解法，我们可以使用docstrings一次映射我们想要的任意多个样式：
custom_styles = """ b => del u => em p[style-name='Heading 1'] => i"""
你可能已经注意到，最后的映射与其他的有点不同。在映射样式时，我们可以使用方括号[]并在其中添加条件，这样只有部分元素会以这种方式进行样式设置。
在我们的示例中，p[style-name='Heading 1']选择具有样式名称的段落Heading 1。我们也可以使用p[style-name^='Heading']来选择具有以Heading开头的样式名称的每个段落。
样式映射还允许我们将样式映射到自定义 CSS 类。通过这样做，我们可以随心所欲地修改 HTML 的样式。让我们举一个例子，我们在文档字符串中定义基本的自定义 CSS：
custom_css ="""
<style>
.red{
color: red;
}
.underline{
text-decoration: underline;
}
.ul.li{
list-style-type: circle;
}
table, th, td {
border: 1px solid black;
}
</style>
"""现在我们可以更新我们的映射，以引用我们在<style>块中定义的 CSS 类：
custom_styles = """ b => b.red u => em.red p[style-name='Heading 1'] => h1.red.underline"""
并将 CSS 和 HTML 合并在一起：
edited_html = custom_css + html
这个时候如果 DOCX 文件包含任何这些元素，就能看到我们设置的样式结果。
通过以上方法我们已经知道如何映射样式，那就让我们使用一个更著名的 CSS 框架（以及相关的 JS）来让我们的 HTML 看起来更好，并练习一个更有可能的现实场景。
使用 Bootstrap（或其他任何前端框架）映射样式
就像我们之前处理custom_css一样，我们需要确保 CSS 与 HTML 一起加载。我们需要将 Bootstrap 文件 URI 或 CDN 添加到我们的 HTML 中：
bootstrap_css = '<link rel="nofollow" href="https://mybj123.com/links?url=aHR0cHM6Ly9jZG4uanNkZWxpdnIubmV0L25wbS9ib290c3RyYXBANS4wLjAtYmV0YTIvZGlzdC9jc3MvYm9vdHN0cmFwLm1pbi5jc3M=" rel="stylesheet" integrity="sha384-BmbxuPwQa2lc/FVzBcNJ7UAyJxM6wuqIj61tLrc4wSX0szH/Ev+nYRRuWlolflfl" crossorigin="anonymous">' bootstrap_js = '<script class="lazyload" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsQAAA7EAZUrDhsAAAANSURBVBhXYzh8+PB/AAffA0nNPuCLAAAAAElFTkSuQmCC" data-original="https://cdn.jsdelivr.net/npm/bootstrap@5.0.0-beta2/dist/js/bootstrap.bundle.min.js" integrity="sha384-b5kHyXgcpbZJO/tY9Ul7kGkf1S0CWuKcCD38l8YkeH8z8QjE0GmW1gYU5S9FOnJ0" crossorigin="anonymous"></script>'
这里我稍微调整我们的 custom_styles，以匹配我们的新 CSS 类：
custom_styles = """ b => b.mark u => u.initialism p[style-name='Heading 1'] => h1.card table => table.table.table-hover """
在第一行，我们将粗体 DOCX 样式映射到具有类的 HTML 元素，该类是 HTML 标签的 Bootstrap 类，用于突出显示文本的一部分。bmark<mark>
在第二行，我们为 HTML 元素添加了类，稍微减小了字体大小，并将文本转换为大写。initialismu
在第三行，我们选择所有具有样式名称的段落，并将其转换为具有 Bootstrap 类的 HTML 元素，该类为元素设置多个样式属性，例如背景颜色、位置和边框。Heading 1h1card
在最后一行，我们将 docx 文件中的所有表格转换为 HTML 元素，并使用 Bootstrap 的类来给它一个新的外观，同时我们通过添加 Bootstrap 类使其在悬停时高亮显示。tabletabletable-hover
和之前一样，我们使用点符号将多个类映射到同一个 HTML 元素，即使这些样式来自另一个来源。
最后，将 Bootstrap CDNs 添加到我们的 HTML 中：
edited_html = bootstrap_css + html + bootstrap_js
现在可以分享我们的 HTML，以下是完整的代码以供参考：
import mammoth input_filename = "file-sample_100kB.docx" custom_styles = """ b => b.mark u => u.initialism p[style-name='Heading 1'] => h1.card table => table.table.table-hover """ bootstrap_css = '<link rel="nofollow" href="https://mybj123.com/links?url=aHR0cHM6Ly9jZG4uanNkZWxpdnIubmV0L25wbS9ib290c3RyYXBANS4wLjAtYmV0YTIvZGlzdC9jc3MvYm9vdHN0cmFwLm1pbi5jc3M=" rel="stylesheet" integrity="sha384-BmbxuPwQa2lc/FVzBcNJ7UAyJxM6wuqIj61tLrc4wSX0szH/Ev+nYRRuWlolflfl" crossorigin="anonymous">' bootstrap_js = '<script class="lazyload" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsQAAA7EAZUrDhsAAAANSURBVBhXYzh8+PB/AAffA0nNPuCLAAAAAElFTkSuQmCC" data-original="https://cdn.jsdelivr.net/npm/bootstrap@5.0.0-beta2/dist/js/bootstrap.bundle.min.js" integrity="sha384-b5kHyXgcpbZJO/tY9Ul7kGkf1S0CWuKcCD38l8YkeH8z8QjE0GmW1gYU5S9FOnJ0" crossorigin="anonymous"></script>' with open(input_filename, "rb") as docx_file: result = mammoth.convert_to_html(docx_file, style_map = custom_styles) html = result.value edited_html = bootstrap_css + html + bootstrap_js output_filename = "output.html" with open(output_filename, "w") as f: f.writelines(edited_html)
此外，需要注意的一点是，在实际情况下，你可能不会像我们在这里所做的那样直接将 Bootstrap CSS 添加到 HTML 内容中。相反，你会将 HTML 内容加载或注入到一个特殊的 HTML 页面中，该页面已经包含了必要的 CSS 和 JS 捆绑包。
Mammoth 还允许我们修改我们正在转换的内容。
处理我们不想分享的图片
假设我们希望跳过 DOCX 文件中的图像不进行转换。convert_to_html()方法接受一个convert_image参数，这是一个图像处理函数。它返回一个应该转换并添加到 HTML 文档中的图像列表。
当然，如果我们覆盖它并返回一个空列表，它们将从转换后的页面中省略：
def ignore_image(image): return []
现在，让我们将该函数作为参数传递到convert_to_html()方法中：
with open(input_filename, "rb") as docx_file:
result = mammoth.convert_to_html(docx_file, style_map = custom_styles, convert_image=ignore_image)
html = result.value
with open('output.html', 'w') as html_file:
html_file.write(text)就是这样！ Mammoth 在生成 HTML 文件时将忽略所有图像。
到目前为止，我们一直在用 Python 编程方式使用 Mammoth。Mammoth 也是一个命令行工具，因此我们有了另一个将 DOCX 转换为 HTML 的接口。让我们在下一节中看看它的工作情况。
使用命令行工具将 DOCX 转换为 HTML
使用 Mammoth 的 CLI 进行文件转换通常如下所示：
mammoth path/to/input_filename.docx path/to/output.html
如果你想将图像从 HTML 中分离出来，可以指定一个输出文件夹：
mammoth file-sample_100kB.docx --output-dir=imgs
我们也可以像在 Python 中那样添加自定义样式。首先需要创建一个自定义样式文件：
touch my-custom-styles
然后，我们将在其中添加自定义样式，语法与之前相同：
b => b.red u => em.red p[style-name='Heading 1'] => h1.red.underline
现在我们可以生成带有自定义样式的 HTML 文件：
mammoth file-sample_100kB.docx output.html --style-map=my-custom-styles
大功告成！您的文档已按定义的自定义样式进行转换。https://mybj123.com/28792.html
结语
文件类型转换在处理网页技术时是一种常见需求。将 DOCX 文件转换为易于操作的 HTML 格式，使我们能够根据需要重建数据。使用 Mammoth，我们学会了如何从 docx 中提取文本并将其转换为 HTML。
在转换为 HTML 时，我们可以使用我们创建的 CSS 规则或常见的 UI 框架提供的规则来样式化输出。我们还可以省略不需要在 HTML 中可用的数据。
共同学习，写下你的评论
评论加载中...
作者其他优质文章
