Python实现将HTML转换成doc格式文件的方法示例


Posted in Python onNovember 20, 2017

本文实例讲述了Python实现将HTML转换成doc格式文件的方法。分享给大家供大家参考,具体如下:

网页上的一些文章,因为有格式的原因,它们在网页上的源码都是带有html标签的,用css来进行描述。本文利用HTML Parser 和docx两个模块,对网页进行解析并存储到word文档中。转换出来的格式相对还是有些粗糙,不喜勿喷。话不多说,直接上代码。

class HTMLClient:
  #获取html网页源码
  def GetPage(self, url):
    #user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    user_agent = 'Mozilla/5.0 (X11; Linux i686) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/34.0.1847.116 Chrome/34.0.1847.116 Safari/537.36'
    headers = { 'User-Agent' : user_agent }
    req = urllib.request.Request(url, None, headers)
    try:
      res = urllib.request.urlopen(req)
      return res.read().decode("utf-8")
    except urllib.error.HTTPError as e:
      return None
  #获取网络图片并保存在程序运行目录下
  def GetPic(self, url):
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    headers = { 'User-Agent' : user_agent }
    req = urllib.request.Request(url, None, headers)
    try:
      res = urllib.request.urlopen(req)
      return res.read()
    except urllib.error.HTTPError as e:
      return None

html到doc的转换过程中,图片保存和处理是比较麻烦的事情,因为可能涉及到图片格式错误,因此为了保证图片正常运行,应当修改图片添加异常处理流程。

class MYHTMLParser(HTMLParser):
  def __init__(self, docfile):
    HTMLParser.__init__(self)
    self.docfile = docfile
    self.doc = Document(docfile)
    self.myclient = HTMLClient()
    self.text = ''
    self.title = False
    self.isdescription = False
    self.picList=[]
  #根据标签头类型决定标签内容的格式
  def handle_starttag(self, tag, attrs):
    #print "Encountered the beginning of a %s tag" % tag
    self.title = False
    self.isdescription = False
    #<h1>标签说明其中的内容是标题
    if re.match(r'h(\d)', tag):
      self.title = True
    #图片的处理比较复杂,首先需要找到对应的图片的url,然后下载并写入doc中
    #下载的图片格式如果有问题,docx模块会报错,因此重新定义异常处理
    #图片名称需要记录下来,在文档保存后要自动删除
    if tag == "img":
      if len(attrs) == 0: pass
      else:
        for (variable, value) in attrs:
          if variable == "src":
            #此处图片url类型为[http://url/pic.img!200*200]
            #不同网站图片类型不同,因此当作不同处理
            picdata = self.myclient.GetPic(value.split('!')[0])
            if picdata == None:
              pass
            else:
              pictmp = value.split('/')[-1].split('!')[0]
              picfix = value.split('/')[-1].split('!')[-1]
              with open(pictmp, 'wb') as pic:
                pic.write(bytes(picdata))
                pic.close()
              try:
                if picfix[0:1] == 'c':
                  self.doc.add_picture(pictmp, width=Inches(4.5))
                else:
                  self.doc.add_picture(pictmp)#, width=Inches(2.25))
              except docx.image.exceptions.UnexpectedEndOfFileError as e:
                print(e)
              self.picList.append(pictmp)
    #javascript脚本
    if tag == 'script':
      self.isdescription = True
  def handle_data(self, data):
    if self.title == True:
      if self.text != '':
        self.doc.add_paragraph(self.text)
      self.text = ''
      self.doc.add_heading(data, level=2)
    if self.isdescription == False:
      self.text += data
  def handle_endtag(self, tag):
    #if tag == 'br' or tag == 'p' or tag == 'div':
    if self.text != '':
      self.doc.add_paragraph(self.text)
      self.text = ''
  def complete(self, html):
    self.feed(html)
    self.doc.save(self.docfile)
    for item in self.picList:
      if os.path.exists(item):
        os.remove(item)

希望本文所述对大家Python程序设计有所帮助。

Python 相关文章推荐
linux系统使用python获取内存使用信息脚本分享
Jan 15 Python
python网络编程学习笔记(五):socket的一些补充
Jun 09 Python
Python多线程编程(三):threading.Thread类的重要函数和方法
Apr 05 Python
简单谈谈Python中函数的可变参数
Sep 02 Python
Python cookbook(数据结构与算法)保存最后N个元素的方法
Feb 13 Python
django认证系统实现自定义权限管理的方法
Jul 16 Python
使用Python创建简单的HTTP服务器的方法步骤
Apr 26 Python
使用WingPro 7 设置Python路径的方法
Jul 24 Python
Python facenet进行人脸识别测试过程解析
Aug 16 Python
Python Django框架url反向解析实现动态生成对应的url链接示例
Oct 18 Python
使用 Python 合并多个格式一致的 Excel 文件(推荐)
Dec 09 Python
Python中如何引入第三方模块
May 27 Python
python中学习K-Means和图片压缩
Nov 20 #Python
深入理解Python中的super()方法
Nov 20 #Python
python实现读取excel写入mysql的小工具详解
Nov 20 #Python
利用selenium 3.7和python3添加cookie模拟登陆的实现
Nov 20 #Python
python Matplotlib画图之调整字体大小的示例
Nov 20 #Python
python cx_Oracle的基础使用方法(连接和增删改查)
Nov 19 #Python
Python实现mysql数据库更新表数据接口的功能
Nov 19 #Python
You might like
php 邮件发送问题解决
2014/03/22 PHP
解决PhpMyAdmin中导入2M以上大文件限制的方法分享
2014/06/06 PHP
PHP 只允许指定IP访问(允许*号通配符过滤IP)
2014/07/08 PHP
JavaScript脚本语言在网页中的简单应用
2007/05/13 Javascript
javascript 尚未实现错误解决办法
2008/11/27 Javascript
JS图片浏览组件PhotoLook的公开属性方法介绍和进阶实例代码
2010/11/09 Javascript
JavaScript中switch判断容易犯错的一个细节
2014/08/27 Javascript
jQuery中slideUp 和 slideDown 的点击事件
2015/02/26 Javascript
用Node.js通过sitemap.xml批量抓取美女图片
2015/05/28 Javascript
用户代理字符串userAgent可实现的四个识别
2015/09/20 Javascript
Bootstrap轮播插件使用代码
2016/10/11 Javascript
基于slideout.js实现移动端侧边栏滑动特效
2016/11/28 Javascript
bootstrap Validator 模态框、jsp、表单验证 Ajax提交功能
2017/02/17 Javascript
微信小程序开发入门基础教程
2017/04/19 Javascript
JavaScript之创意时钟项目(实例讲解)
2017/10/23 Javascript
vue实现数据控制视图的原理解析
2020/01/07 Javascript
VUE中鼠标滚轮使div左右滚动的方法详解
2020/12/14 Vue.js
简单谈谈python中的多进程
2016/11/06 Python
基于Python实现的ID3决策树功能示例
2018/01/02 Python
Python爬虫学习之获取指定网页源码
2019/07/30 Python
python中eval与int的区别浅析
2019/08/11 Python
PYTHON如何读取和写入EXCEL里面的数据
2019/10/28 Python
python如何进入交互模式
2020/07/06 Python
使用numpngw和matplotlib生成png动画的示例代码
2021/01/24 Python
物流管理应届生求职信
2013/11/07 职场文书
医务人员竞聘职务自我评价分享
2013/11/08 职场文书
拾金不昧的表扬信
2014/01/16 职场文书
开学典礼感言
2014/02/16 职场文书
最经典的大学生职业生涯规划范文
2014/03/05 职场文书
公证委托书大全
2014/04/04 职场文书
绿色家庭事迹材料
2014/05/01 职场文书
婚纱店策划方案
2014/05/22 职场文书
交通事故赔偿协议书
2014/10/16 职场文书
计算机实训报告总结
2014/11/05 职场文书
2015年双拥工作总结
2015/04/08 职场文书
工作证明格式范文
2015/06/15 职场文书