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条件和循环的使用方法
Nov 01 Python
python 定义给定初值或长度的list方法
Jun 23 Python
Python实现的大数据分析操作系统日志功能示例
Feb 11 Python
Python QQBot库的QQ聊天机器人
Jun 19 Python
python里运用私有属性和方法总结
Jul 08 Python
TensorFlow dataset.shuffle、batch、repeat的使用详解
Jan 21 Python
keras CNN卷积核可视化,热度图教程
Jun 22 Python
带你学习Python如何实现回归树模型
Jul 16 Python
Python django框架 web端视频加密的实例详解
Nov 20 Python
pycharm无法导入lxml的解决办法
Mar 31 Python
python自动化调用百度api解决验证码
Apr 13 Python
Python 内置函数速查表一览
Jun 02 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中session_unset与session_destroy的区别分析
2011/06/16 PHP
php中将指针移动到数据集初始位置的实现代码[mysql_data_seek]
2012/11/01 PHP
php实现简单的MVC框架实例
2015/09/23 PHP
Laravel监听数据库访问,打印SQL的例子
2019/10/24 PHP
javascript arguments 传递给函数的隐含参数
2009/08/21 Javascript
JavaScript Distilled 基础知识与函数
2010/04/07 Javascript
关于event.cancelBubble和event.stopPropagation()的区别介绍
2011/12/11 Javascript
多个jquery.datatable共存,checkbox全选异常的快速解决方法
2013/12/10 Javascript
不使用jquery实现js打字效果示例分享
2014/01/19 Javascript
基于jQuery创建鼠标悬停效果的方法
2015/03/07 Javascript
超赞的动手创建JavaScript框架的详细教程
2015/06/30 Javascript
JavaScript生成SQL查询表单的方法
2015/08/13 Javascript
js实现精确到秒的倒计时效果
2016/05/29 Javascript
jQuery插件FusionCharts实现的2D面积图效果示例【附demo源码下载】
2017/03/06 Javascript
浅谈在fetch方法中添加header后遇到的预检请求问题
2017/08/31 Javascript
webpack 插件html-webpack-plugin的具体使用
2018/04/09 Javascript
详解vue数组遍历方法forEach和map的原理解析和实际应用
2018/11/15 Javascript
Vue从TodoList中学父子组件通信
2019/02/05 Javascript
Vue实现push数组并删除的例子
2019/11/01 Javascript
JS实现网站吸顶条
2020/01/08 Javascript
JavaScript实现10秒后再次获取验证码
2020/12/02 Javascript
Python2.x版本中cmp()方法的使用教程
2015/05/14 Python
Python语言描述机器学习之Logistic回归算法
2017/12/21 Python
python 字典操作提取key,value的方法
2019/06/26 Python
python轮询机制控制led实例
2020/05/03 Python
Python如何实现定时器功能
2020/05/28 Python
python 星号(*)的多种用途
2020/09/21 Python
HTML5资源预加载(Link prefetch)详细介绍(给你的网页加速)
2014/05/07 HTML / CSS
幼师自我鉴定范文
2013/10/01 职场文书
乡镇群众路线整改落实情况汇报
2014/10/28 职场文书
2014年保安个人工作总结
2014/11/13 职场文书
2014年德育工作总结
2014/11/20 职场文书
2016元旦主持人开场白
2015/12/03 职场文书
高中议论文(范文2篇)
2019/08/19 职场文书
Python中seaborn库之countplot的数据可视化使用
2021/06/11 Python
JavaScript分页组件使用方法详解
2021/07/26 Javascript