Python實現Word文檔轉換Markdown的示例

Posted on by

隨著SaaS服務的流行，越來越多的人選擇在各個平臺上編寫文檔，制作表格並進行分享。

同時，隨著Markdown語法的破圈，很多平臺開始集成支持這種簡潔的書寫標記語言，這樣可以保證平臺上用戶文檔樣式的統一性。

但是在一些場景下，我們還是會在本地的Office軟件上寫有很多文檔，或者歷史遺留瞭很多本地文檔。

如果我們需要將其上傳到各大平臺，直接復制粘貼，大概率是會造成文檔內容結構和樣式的丟失。於此我們需要將其轉換為 Markdown 語法。

很多桌面軟件（比如Typora）都提供瞭導入 Word 文件的功能，這類功能一般是通過 Pandoc 這個軟件來擴展實現的。

Pandoc 是一個全能型的文檔格式轉換工具，其能夠將多種文檔格式轉換為各類常見的文檔格式。具體的文檔格式之間的轉換如下圖所示（來源於官網）：

Pandoc 是瑞士軍刀一般的存在，能夠較好的處理各類的文檔格式轉換，但是如果我們需要自己寫程序，調用 Pandoc 則需要額外的安裝 Pandoc 才行，並且也不方便自定義。

幸而，在 Python 中有很多第三方模塊提供瞭此類文檔格式的轉換功能。今天，我們來實現一下比較頻繁使用到的 Word 文檔轉 Markdown 文檔。

轉換邏輯

Word 文檔到 Markdown 文檔的轉換總體而言分兩步來實現：

  • 第一步，將 Word 文檔轉換為 HTML 文檔；
  • 第二步，將 HTML 文檔轉換為 Markdown 文檔；

依賴模塊

要實現這個功能我們需要借助 Python 的兩個第三方模塊：

  • mammoth
  • markdownify

mammoth 是一個用於將 Word 文檔轉換為 HTML 的模塊，它支持在 Python、JavaScript、Java、.Net等平臺使用。而 markdownify 則是將 HTML 轉換為 Markdown 文檔的模塊。

處理 Word 圖片

因為 Word 文檔中不可避免地會存在很多圖片，為瞭在轉換後的文檔中能夠正確地顯示圖片，我們需要自定義一下Word 文檔內圖片的處理方式。默認情況下，mammoth 會將圖片轉換為 base64 編碼的字符串，這樣不用生成額外的本地圖片文件，但是會使文檔體積變得很大。所以我們選擇將圖片另存為本地圖片：

# 轉存Word文檔內的圖片
def convert_img(image):
  with image.open() as image_bytes:
    file_suffix = image.content_type.split("/")[1]
    path_file = "./img/{}.{}".format(str(time.time()),file_suffix)
    with open(path_file, 'wb') as f:
      f.write(image_bytes.read())

  return {"src":path_file}

正式轉換

在這裡，我們以州的先生很久以前寫的《Python爬蟲實戰與機器學習應用》（需要這本書的小夥伴可以微信私聊我）這本書的 Word 文檔來演示。

代碼如下所示：

# 讀取Word文件
with open(r"F:\自媒體\Python爬蟲實戰與機器學習應用.docx" ,"rb") as docx_file:
  # 轉化Word文檔為HTML
  result = mammoth.convert_to_html(docx_file,convert_image=mammoth.images.img_element(convert_img))
  # 獲取HTML內容
  html = result.value
  # 轉化HTML為Markdown
  md = markdownify(html,heading_style="ATX")
  print(md)
  with open("./docx_to_html.html",'w',encoding='utf-8') as html_file,open("./docx_to_md.md","w",encoding='utf-8') as md_file:
    html_file.write(html)
    md_file.write(md)
  messages = result.messages

運行程序，最終生成2個文件：

  • docx_to_html.html
  • docx_to_md.md

其中，docx_to_html.html 是 Word 文檔轉換為 HTML 後的文檔：

docx_to_md.md 是 HTML 轉換為 Markdown 後的文檔：

最後是另存為的圖片：

怎麼樣，簡單的二三十行代碼就完成瞭 Word 到 Markdown 文檔的轉換，是不是很簡單？

此功能將集成到覓道文檔作為文檔導入的功能實現，歡迎持續進行關註！

  文章版權所有：州的先生博客

  原文地址：https://zmister.com/archives/1601.html

以上就是Python實現Word文檔轉換Markdown的示例的詳細內容，更多關於python Word文檔轉換Markdown的資料請關註WalkonNet其它相關文章！

推薦閱讀：