首页 > 编程 > Python > 正文

Python实现将HTML转换成doc格式文件的方法示例

2020-01-04 16:19:42
字体:
来源:转载
供稿:网友

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。


注:相关教程知识阅读请移步到python教程频道。
发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表