Python实现将HTML转换成doc格式文件的方法示例
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HTMLParser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。
classHTMLClient:
#获取html网页源码
defGetPage(self,url):
#user_agent='Mozilla/4.0(compatible;MSIE5.5;WindowsNT)'
user_agent='Mozilla/5.0(X11;Linuxi686)AppleWebKit/537.36(KHTML,likeGecko)UbuntuChromium/34.0.1847.116Chrome/34.0.1847.116Safari/537.36'
headers={'User-Agent':user_agent}
req=urllib.request.Request(url,None,headers)
try:
res=urllib.request.urlopen(req)
returnres.read().decode("utf-8")
excepturllib.error.HTTPErrorase:
returnNone
#获取网络图片并保存在程序运行目录下
defGetPic(self,url):
user_agent='Mozilla/4.0(compatible;MSIE5.5;WindowsNT)'
headers={'User-Agent':user_agent}
req=urllib.request.Request(url,None,headers)
try:
res=urllib.request.urlopen(req)
returnres.read()
excepturllib.error.HTTPErrorase:
returnNone
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。
classMYHTMLParser(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 defhandle_starttag(self,tag,attrs): #print"Encounteredthebeginningofa%stag"%tag self.title=False self.isdescription=False #标签说明其中的内容是标题 ifre.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 iftag=="img": iflen(attrs)==0:pass else: for(variable,value)inattrs: ifvariable=="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]) ifpicdata==None: pass else: pictmp=value.split('/')[-1].split('!')[0] picfix=value.split('/')[-1].split('!')[-1] withopen(pictmp,'wb')aspic: pic.write(bytes(picdata)) pic.close() try: ifpicfix[0:1]=='c': self.doc.add_picture(pictmp,width=Inches(4.5)) else: self.doc.add_picture(pictmp)#,width=Inches(2.25)) exceptdocx.image.exceptions.UnexpectedEndOfFileErrorase: print(e) self.picList.append(pictmp) #javascript脚本 iftag=='script': self.isdescription=True defhandle_data(self,data): ifself.title==True: ifself.text!='': self.doc.add_paragraph(self.text) self.text='' self.doc.add_heading(data,level=2) ifself.isdescription==False: self.text+=data defhandle_endtag(self,tag): #iftag=='br'ortag=='p'ortag=='div': ifself.text!='': self.doc.add_paragraph(self.text) self.text='' defcomplete(self,html): self.feed(html) self.doc.save(self.docfile) foriteminself.picList: ifos.path.exists(item): os.remove(item)
更多关于Python相关内容感兴趣的读者可查看本站专题：《Python编码操作技巧总结》、《Python图片操作技巧总结》、《Python数据结构与算法教程》、《PythonSocket编程技巧总结》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。