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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
|
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。
原文链接：http://blog.csdn.net/tomshall/article/details/48594939
