Python实现Word文档转换Markdown的示例


Posted in Python onDecember 22, 2020

随着SaaS服务的流行,越来越多的人选择在各个平台上编写文档,制作表格并进行分享。

同时,随着Markdown语法的破圈,很多平台开始集成支持这种简洁的书写标记语言,这样可以保证平台上用户文档样式的统一性。

但是在一些场景下,我们还是会在本地的Office软件上写有很多文档,或者历史遗留了很多本地文档。

如果我们需要将其上传到各大平台,直接复制粘贴,大概率是会造成文档内容结构和样式的丢失。于此我们需要将其转换为 Markdown 语法。

很多桌面软件(比如Typora)都提供了导入 Word 文件的功能,这类功能一般是通过 Pandoc 这个软件来扩展实现的。

Pandoc 是一个全能型的文档格式转换工具,其能够将多种文档格式转换为各类常见的文档格式。具体的文档格式之间的转换如下图所示(来源于官网):

Python实现Word文档转换Markdown的示例

Pandoc 是瑞士军刀一般的存在,能够较好的处理各类的文档格式转换,但是如果我们需要自己写程序,调用 Pandoc 则需要额外的安装 Pandoc 才行,并且也不方便自定义。

幸而,在 Python 中有很多第三方模块提供了此类文档格式的转换功能。今天,我们来实现一下比较频繁使用到的 Word 文档转 Markdown 文档。

转换逻辑

Word 文档到 Markdown 文档的转换总体而言分两步来实现:

  • 第一步,将 Word 文档转换为 HTML 文档;
  • 第二步,将 HTML 文档转换为 Markdown 文档;

依赖模块

要实现这个功能我们需要借助 Python 的两个第三方模块:

  • mammoth
  • markdownify

mammoth 是一个用于将 Word 文档转换为 HTML 的模块,它支持在 Python、JavaScript、Java、.Net等平台使用。而 markdownify 则是将 HTML 转换为 Markdown 文档的模块。

处理 Word 图片

因为 Word 文档中不可避免地会存在很多图片,为了在转换后的文档中能够正确地显示图片,我们需要自定义一下Word 文档内图片的处理方式。默认情况下,mammoth 会将图片转换为 base64 编码的字符串,这样不用生成额外的本地图片文件,但是会使文档体积变得很大。所以我们选择将图片另存为本地图片:

# 转存Word文档内的图片
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}

正式转换

在这里,我们以州的先生很久以前写的《Python爬虫实战与机器学习应用》(需要这本书的小伙伴可以微信私聊我)这本书的 Word 文档来演示。

Python实现Word文档转换Markdown的示例

代码如下所示:

# 读取Word文件
with open(r"F:\自媒体\Python爬虫实战与机器学习应用.docx" ,"rb") as docx_file:
  # 转化Word文档为HTML
  result = mammoth.convert_to_html(docx_file,convert_image=mammoth.images.img_element(convert_img))
  # 获取HTML内容
  html = result.value
  # 转化HTML为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

运行程序,最终生成2个文件:

  • docx_to_html.html
  • docx_to_md.md

其中,docx_to_html.html 是 Word 文档转换为 HTML 后的文档:

Python实现Word文档转换Markdown的示例

docx_to_md.md 是 HTML 转换为 Markdown 后的文档:

Python实现Word文档转换Markdown的示例

最后是另存为的图片:

Python实现Word文档转换Markdown的示例

怎么样,简单的二三十行代码就完成了 Word 到 Markdown 文档的转换,是不是很简单?

此功能将集成到觅道文档作为文档导入的功能实现,欢迎持续进行关注!

  文章版权所有:州的先生博客

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

以上就是Python实现Word文档转换Markdown的示例的详细内容,更多关于python Word文档转换Markdown的资料请关注三水点靠木其它相关文章!

Python 相关文章推荐
python生成随机图形验证码详解
Nov 08 Python
python使用tkinter实现简单计算器
Jan 30 Python
python删除文本中行数标签的方法
May 31 Python
Python模拟浏览器上传文件脚本的方法(Multipart/form-data格式)
Oct 22 Python
matplotlib.pyplot绘图显示控制方法
Jan 15 Python
使用Python快速制作可视化报表的方法
Feb 03 Python
Python中的self用法详解
Aug 06 Python
python3实现的zip格式压缩文件夹操作示例
Aug 17 Python
python自动化实现登录获取图片验证码功能
Nov 20 Python
python利用os模块编写文件复制功能——copy()函数用法
Jul 13 Python
Selenium获取登录Cookies并添加Cookies自动登录的方法
Dec 04 Python
AI:如何训练机器学习的模型
Apr 16 Python
python爬虫利用selenium实现自动翻页爬取某鱼数据的思路详解
Dec 22 #Python
Django中ORM的基本使用教程
Dec 22 #Python
python通用数据库操作工具 pydbclib的使用简介
Dec 21 #Python
Python 多进程原理及实现
Dec 21 #Python
python-图片流传输的思路及示例(url转换二维码)
Dec 21 #Python
python 用pandas实现数据透视表功能
Dec 21 #Python
python 生成正态分布数据,并绘图和解析
Dec 21 #Python
You might like
php天翼开放平台短信发送接口实现方法
2014/12/22 PHP
php实现算术验证码功能
2018/12/05 PHP
PHP5.5基于mysqli连接MySQL数据库和读取数据操作实例详解
2019/02/16 PHP
判断浏览器的javascript版本的代码
2010/09/03 Javascript
jQuery输入城市查看地图使用介绍
2013/05/08 Javascript
Javascript中的for in循环和hasOwnProperty结合使用
2013/06/05 Javascript
JS弹出层单纯的绝对定位居中示例代码
2014/02/18 Javascript
JS实现弹出浮动窗口(支持鼠标拖动和关闭)实例详解
2015/08/06 Javascript
js实现浏览本地文件并显示扩展名的方法
2015/08/17 Javascript
javascript实现五星评分功能
2015/11/10 Javascript
谈谈Jquery ajax中success和complete有哪些不同点
2015/11/20 Javascript
基于bootstrap的选择框插件icheck
2016/12/23 Javascript
TypeScript学习之强制类型的转换
2016/12/27 Javascript
vue的token刷新处理的方法
2018/07/17 Javascript
微信小程序引用iconfont图标的方法
2018/10/22 Javascript
解决layui 三级联动下拉框更新时回显的问题
2019/09/03 Javascript
在Python中调用ggplot的三种方法
2015/04/08 Python
python删除特定文件的方法
2015/07/30 Python
玩转python爬虫之URLError异常处理
2016/02/17 Python
PYTHON 中使用 GLOBAL引发的一系列问题
2016/10/12 Python
Python实现PS滤镜特效之扇形变换效果示例
2018/01/26 Python
Python3.5 Pandas模块之Series用法实例分析
2019/04/23 Python
python聚类算法解决方案(rest接口/mpp数据库/json数据/下载图片及数据)
2019/08/28 Python
Python脚本实现Zabbix多行日志监控过程解析
2020/08/26 Python
世界首屈一指的钓鱼用品商店:TackleDirect
2016/07/26 全球购物
英国设计的甲板鞋和船鞋:Chatham
2018/12/06 全球购物
亚洲领先的旅游体验市场:Voyagin
2019/11/23 全球购物
教师实习自我鉴定
2013/12/18 职场文书
实习生求职自荐信
2014/02/07 职场文书
利群广告词
2014/03/20 职场文书
学习之星事迹材料
2014/05/17 职场文书
物资采购方案
2014/06/12 职场文书
高中信息技术教学反思
2016/02/16 职场文书
Android自定义scrollview实现回弹效果
2022/04/01 Java/Android
VUE使用draggable实现组件拖拽
2022/04/06 Vue.js
Python内置包对JSON文件数据进行编码和解码
2022/04/12 Python