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
利用python模拟实现POST请求提交图片的方法
Jul 25 Python
Python+OpenCV让电脑帮你玩微信跳一跳
Jan 04 Python
python 移除字符串尾部的数字方法
Jul 17 Python
Python单向链表和双向链表原理与用法实例详解
Aug 31 Python
Django model序列化为json的方法示例
Oct 16 Python
python3+PyQt5 自定义窗口部件--使用窗口部件样式表的方法
Jun 26 Python
django之状态保持-使用redis存储session的例子
Jul 28 Python
Python semaphore evevt生产者消费者模型原理解析
Mar 18 Python
一文弄懂Pytorch的DataLoader, DataSet, Sampler之间的关系
Jul 03 Python
Python中logger日志模块详解
Aug 04 Python
python raise的基本使用
Sep 10 Python
实例讲解Python中sys.argv[]的用法
Jun 03 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
深入了解php4(2)--重访过去
2006/10/09 PHP
php 如何获取数组第一个值
2013/08/06 PHP
dedecms集成财付通支付接口
2014/12/28 PHP
Joomla使用Apache重写模式的方法
2016/05/04 PHP
Laravel 5.5 的自定义验证对象/类示例代码详解
2017/08/29 PHP
iframe 上下滚动条如何默认在下方实现原理
2012/12/10 Javascript
jquery 循环显示div的示例代码
2013/10/18 Javascript
js 处理数组重复元素示例代码
2013/12/27 Javascript
JavaScript让Textarea支持tab按键的方法
2015/06/26 Javascript
js获取html的span标签的值方法(超简单)
2016/07/26 Javascript
JS不完全国际化&amp;本地化手册 之 理论篇
2016/09/27 Javascript
Nodejs进阶:核心模块net入门学习与实例讲解
2016/11/21 NodeJs
从零学习node.js之mysql数据库的操作(五)
2017/02/24 Javascript
微信小程序实现登录页云层漂浮的动画效果
2017/05/05 Javascript
第一次记录Bootstrap table学习笔记(1)
2017/05/18 Javascript
详解基于Angular4+ server render(服务端渲染)开发教程
2017/08/28 Javascript
基于vue2实现上拉加载功能
2017/11/28 Javascript
JS实现图片居中悬浮效果
2017/12/25 Javascript
JavaScript中七种流行的开源机器学习框架
2018/10/11 Javascript
VUE兄弟组件传值操作实例分析
2019/10/26 Javascript
vue实现选中效果
2020/10/07 Javascript
Python实现简易端口扫描器代码实例
2017/03/15 Python
一个基于flask的web应用诞生 组织结构调整(7)
2017/04/11 Python
python实现括号匹配的思路详解
2018/08/23 Python
python实现决策树分类(2)
2018/08/30 Python
利用python numpy+matplotlib绘制股票k线图的方法
2019/06/26 Python
Python3使用PySynth制作音乐的方法
2019/09/09 Python
新手常见Python错误及异常解决处理方案
2020/06/18 Python
adidas美国官网:adidas US
2016/09/21 全球购物
迪拜航空官方网站:flydubai
2017/04/20 全球购物
美国背景检查、公共记录和人物搜索网站:BeenVerified
2018/02/25 全球购物
简述synchronized和java.util.concurrent.locks.Lock的异同
2014/12/08 面试题
一套SQL笔试题
2016/08/14 面试题
校园广播稿精选
2014/10/01 职场文书
初三学生语文考试作弊检讨书
2014/12/14 职场文书
CSS Transition通过改变Height实现展开收起元素
2021/08/07 HTML / CSS