Python實現(xiàn)Word文檔轉換Markdown的示例

更新時間：2020年12月22日 09:40:31 作者：州的先生

這篇文章主要介紹了Python實現(xiàn)Word文檔轉換Markdown的示例，幫助大家更好的理解和使用python，感興趣的朋友可以了解下

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，制作表格并進行分享。

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(tǒng)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，或者歷史遺留了很多本地文檔。

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。于此我們需要將其轉換為 Markdown 語法。

很多桌面軟件（比如Typora）都提供了導入 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(xiàn)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（來源于官網）：

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，并且也不方便自定義。

幸而，在 Python 中有很多第三方模塊提供了此類文檔格式的轉換功能。今天，我們來實現(xiàn)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(xiàn)：

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(xiàn)這個功能我們需要借助 Python 的兩個第三方模塊：

mammoth
markdownify

mammoth 是一個用于將 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，為了在轉換后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

在這里，我們以州的先生很久以前寫的《Python爬蟲實戰(zhàn)與機器學習應用》（需要這本書的小伙伴可以微信私聊我）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(zhàn)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：