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
Django日志模块logging的配置详解
Feb 14 Python
Python使用getpass库读取密码的示例
Oct 10 Python
Python操作MySQL数据库的三种方法总结
Jan 30 Python
Python数据处理numpy.median的实例讲解
Apr 02 Python
基于Python在MacOS上安装robotframework-ride
Dec 28 Python
记录Python脚本的运行日志的方法
Jun 05 Python
对Python中画图时候的线类型详解
Jul 07 Python
对python中的装包与解包实例详解
Aug 24 Python
python配置文件写入过程详解
Oct 19 Python
用python批量移动文件
Jan 14 Python
pytorch中F.avg_pool1d()和F.avg_pool2d()的使用操作
May 22 Python
能让Python提速超40倍的神器Cython详解
Jun 24 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
2019年漫画销量排行榜:鬼灭登顶 海贼单卷制霸 尾田盛赞鬼灭
2020/03/08 日漫
深入理解require与require_once与include以及include_once的区别
2013/06/05 PHP
PHP实现的字符串匹配算法示例【sunday算法】
2017/12/19 PHP
PHP排序算法之直接插入排序(Straight Insertion Sort)实例分析
2018/04/20 PHP
jquery.fastLiveFilter.js实现输入自动过滤的方法
2015/08/11 Javascript
Bootstrap实现响应式导航栏效果
2015/12/28 Javascript
Jquery+ajax+JAVA(servlet)实现下拉菜单异步取值
2016/03/23 Javascript
JS表单验证的代码(常用)
2016/04/08 Javascript
CKEditor无法验证的解决方案(js验证+jQuery Validate验证)
2016/05/09 Javascript
详解vee-validate的使用个人小结
2017/06/07 Javascript
JavaScript方法_动力节点Java学院整理
2017/06/28 Javascript
Vue兼容ie9的问题全面解决方案
2018/06/19 Javascript
vue2.0 路由模式mode=&quot;history&quot;的作用
2018/10/18 Javascript
vue通过style或者class改变样式的实例代码
2018/10/30 Javascript
基于Vue el-autocomplete 实现类似百度搜索框功能
2019/10/25 Javascript
Vue的v-model的几种修饰符.lazy,.number和.trim的用法说明
2020/08/05 Javascript
[02:44]DOTA2英雄基础教程 钢背兽
2013/12/19 DOTA
你应该知道的python列表去重方法
2017/01/17 Python
用Python将Excel数据导入到SQL Server的例子
2019/08/24 Python
python3.7环境下安装Anaconda的教程图解
2019/09/10 Python
Python字典中的值为列表或字典的构造实例
2019/12/16 Python
利用Python代码实现一键抠背景功能
2019/12/29 Python
安装多个版本的TensorFlow的方法步骤
2020/04/21 Python
神经网络训练采用gpu设置的方式
2021/03/03 Python
使用PDF.JS插件在HTML中预览PDF文件的方法
2018/08/29 HTML / CSS
森海塞尔美国官网:Sennheiser耳机与耳麦
2017/07/19 全球购物
BSTN意大利:德国街头和运动文化高品质商店
2020/12/22 全球购物
鼓舞士气的口号
2014/06/16 职场文书
本科应届生求职信
2014/08/05 职场文书
2014入党积极分子破除“四风”思想汇报
2014/09/14 职场文书
服务员态度差检讨书
2014/10/28 职场文书
2014年反腐倡廉工作总结
2014/12/05 职场文书
2015毕业实习推荐信
2015/03/23 职场文书
学校运动会加油词
2015/07/18 职场文书
总经理聘用协议书
2015/09/21 职场文书
2016年十一促销广告语
2016/01/28 职场文书