Python實(shí)現(xiàn)Word文檔轉(zhuǎn)換Markdown的示例

更新時(shí)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(shí)現(xiàn)Word文檔轉(zhuǎn)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(wù)的流行，越來越多的人選擇在各個(gè)平臺(tái)上編寫文檔，制作表格并進(jìn)行分享。

同時(shí)，隨著Markdown語法的破圈，很多平臺(tái)開始集成支持這種簡潔的書寫標(biāo)記語言，這樣可以保證平臺(tái)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(huì)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(tái)，直接復(fù)制粘貼，大概率是會(huì)造成文檔內(nèi)容結(jié)構(gòu)和樣式的丟失。于此我們需要將其轉(zhuǎn)換為 Markdown 語法。

很多桌面軟件（比如Typora）都提供了導(dǎo)入 Word 文件的功能，這類功能一般是通過 Pandoc 這個(gè)軟件來擴(kuò)展實(shí)現(xiàn)的。

Pandoc 是一個(gè)全能型的文檔格式轉(zhuǎn)換工具，其能夠?qū)⒍喾N文檔格式轉(zhuǎn)換為各類常見的文檔格式。具體的文檔格式之間的轉(zhuǎn)換如下圖所示（來源于官網(wǎng)）：

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(zhuǎn)換，但是如果我們需要自己寫程序，調(diào)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(zhuǎn)換功能。今天，我們來實(shí)現(xiàn)一下比較頻繁使用到的 Word 文檔轉(zhuǎn) Markdown 文檔。

轉(zhuǎn)換邏輯

Word 文檔到 Markdown 文檔的轉(zhuǎn)換總體而言分兩步來實(shí)現(xiàn)：

第一步，將 Word 文檔轉(zhuǎn)換為 HTML 文檔；
第二步，將 HTML 文檔轉(zhuǎn)換為 Markdown 文檔；

依賴模塊

要實(shí)現(xiàn)這個(gè)功能我們需要借助 Python 的兩個(gè)第三方模塊：

mammoth
markdownify

mammoth 是一個(gè)用于將 Word 文檔轉(zhuǎn)換為 HTML 的模塊，它支持在 Python、JavaScript、Java、.Net等平臺(tái)使用。而 markdownify 則是將 HTML 轉(zhuǎn)換為 Markdown 文檔的模塊。

處理 Word 圖片

因?yàn)?Word 文檔中不可避免地會(huì)存在很多圖片，為了在轉(zhuǎn)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(nèi)圖片的處理方式。默認(rèn)情況下，mammoth 會(huì)將圖片轉(zhuǎn)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(huì)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(zhuǎn)存Word文檔內(nèi)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(zhuǎn)換

在這里，我們以州的先生很久以前寫的《Python爬蟲實(shí)戰(zhàn)與機(jī)器學(xué)習(xí)應(yīng)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(shí)戰(zhàn)與機(jī)器學(xué)習(xí)應(yīng)用.docx" ,"rb") as docx_file:
  # 轉(zhuǎn)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(nèi)容
  html = result.value
  # 轉(zhuǎn)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(yùn)行程序，最終生成2個(gè)文件：