Python使用Mammoth將DOCX轉(zhuǎn)換為HTML

更新時(shí)間：2026年01月21日 08:38:22 作者：前端玖耀里

這篇文章主要介紹了如何使用Python的Mammoth庫將DOCX文件轉(zhuǎn)換為HTML,包括安裝Mammoth、提取文本、自定義樣式映射、處理圖像以及使用命令行工具進(jìn)行轉(zhuǎn)換,需要的朋友可以參考下

安裝 Mammoth

首先，在安裝之前準(zhǔn)備好并激活你的虛擬環(huán)境：

python3 -m venv myenv
. myenv/bin/activate

然后，使用pip安裝 Mammoth：

pip3 install mammoth

本教程使用的 Mammoth 版本是 1.4.15。在測試的時(shí)候，請確保它是.docx 文件！

以上環(huán)境準(zhǔn)備好后，現(xiàn)在讓我們開始提取文本并將其轉(zhuǎn)換成 HTML。

提取 DOCX 文件的原始文本

在轉(zhuǎn)換為 HTML 時(shí)保留格式是 Mammoth 的最佳功能之一。這里我們只需要幾行代碼轉(zhuǎn)換成你需要 DOCX 文件的文本。

使用 extract_raw_text()方法來獲取它：

import mammoth

with open(input_filename, "rb") as docx_file:
    result = mammoth.extract_raw_text(docx_file)
    text = result.value # The raw text
    with open('output.txt', 'w') as text_file:
        text_file.write(text)

注意，此方法不會返回有效的 HTML 文檔。它只返回頁面上的文本，因此我們使用.txt 擴(kuò)展來保存它。如果你確實(shí)需要保持布局或格式，你需要提取 HTML 內(nèi)容。

將 Docx 轉(zhuǎn)換為 HTML 并自定義樣式映射

默認(rèn)情況下，Mammoth 將文檔轉(zhuǎn)換為 HTML，但它不會提供有效的 HTML 頁面。雖然網(wǎng)頁瀏覽器可以顯示內(nèi)容，但它缺少一個(gè)<html>標(biāo)簽來封裝文檔，以及一個(gè)<body>標(biāo)簽來包含文檔。

假設(shè)使用的是帶有模板的網(wǎng)絡(luò)框架。可能會定義一個(gè)模板來顯示 Word 文檔，并將 Mammoth 的輸出加載到模板主體內(nèi)。

Mammoth 不僅在如何使用其輸出方面具有靈活性，而且在如何創(chuàng)建輸出方面也具有很大的靈活性。特別是在我們想要樣式化我們生成的 HTML 時(shí)，我們有很多選項(xiàng)。我們通過將每個(gè) DOCX 格式規(guī)則匹配到相應(yīng)的 CSS 規(guī)則來映射樣式。

要查看你的 DOCX 文件有哪些樣式，你有兩個(gè)選擇：

使用 MS Word 打開您的 docx 文件，并檢查樣式工具欄。
通過用解壓管理器打開你的 DOCX 文件來研究 XML 文件，然后導(dǎo)航到/word/styles.xml并找到你的樣式。

第二個(gè)選項(xiàng)適用于無法使用 MS Word 或無法解釋和顯示樣式的替代文字處理程序的用戶。

Mammoth 已經(jīng)默認(rèn)涵蓋了某些最常用的樣式映射。例如，Heading1在 docx 樣式中映射到 HTML 元素的<h1>，bold被映射到 HTML 元素的<strong>，等等。

我們還可以在映射時(shí)使用 Mammoth 來自定義文檔的樣式。例如，如果您想將 DOCX 文件中的所有bold出現(xiàn)次數(shù)更改為 HTML 中的斜體，可以這樣子實(shí)現(xiàn)：

import mammoth

custom_styles = "b => i"

with open(input_filename, "rb") as docx_file:
    result = mammoth.convert_to_html(docx_file, style_map = custom_styles)
    text = result.value
    with open('output.html', 'w') as html_file:
        html_file.write(text)

通過 custom_styles 變量，左邊的樣式來自 DOCX 文件，而右邊的是相應(yīng)的 CSS。

假設(shè)我們想完全省略粗體出現(xiàn)的次數(shù)，我們可以將映射目標(biāo)留空：

custom_styles = "b => "

有時(shí)我們轉(zhuǎn)換的文檔會有很多樣式需要保留。這個(gè)時(shí)候再這樣實(shí)現(xiàn)就會變得不切實(shí)際，要為每一個(gè)我們要映射的樣式都創(chuàng)建一個(gè)變量。

不過有解法，我們可以使用docstrings一次映射我們想要的任意多個(gè)樣式：

custom_styles = """ b => del
                    u => em
                    p[style-name='Heading 1'] => i"""

你可能已經(jīng)注意到，最后的映射與其他的有點(diǎn)不同。在映射樣式時(shí)，我們可以使用方括號[]并在其中添加條件，這樣只有部分元素會以這種方式進(jìn)行樣式設(shè)置。

在我們的示例中，p[style-name='Heading 1']選擇具有樣式名稱的段落Heading 1。我們也可以使用p[style-name^='Heading']來選擇具有以Heading開頭的樣式名稱的每個(gè)段落。

樣式映射還允許我們將樣式映射到自定義 CSS 類。通過這樣做，我們可以隨心所欲地修改 HTML 的樣式。讓我們舉一個(gè)例子，我們在文檔字符串中定義基本的自定義 CSS：

custom_css ="""
    <style>
    .red{
        color: red;
    }
    .underline{
        text-decoration: underline;
    }
    .ul.li{
        list-style-type: circle;
    }
    table, th, td {
    border: 1px solid black;
    }
    </style>
    """

現(xiàn)在我們可以更新我們的映射，以引用我們在<style>塊中定義的 CSS 類：

custom_styles = """ b => b.red
                    u => em.red
                    p[style-name='Heading 1'] => h1.red.underline"""

并將 CSS 和 HTML 合并在一起：

edited_html = custom_css + html

這個(gè)時(shí)候如果 DOCX 文件包含任何這些元素，就能看到我們設(shè)置的樣式結(jié)果。

通過以上方法我們已經(jīng)知道如何映射樣式，那就讓我們使用一個(gè)更著名的 CSS 框架（以及相關(guān)的 JS）來讓我們的 HTML 看起來更好，并練習(xí)一個(gè)更有可能的現(xiàn)實(shí)場景。

使用 Bootstrap（或其他任何前端框架）映射樣式

就像我們之前處理custom_css一樣，我們需要確保 CSS 與 HTML 一起加載。我們需要將 Bootstrap 文件 URI 或 CDN 添加到我們的 HTML 中：

bootstrap_css = '<link   rel="external nofollow"  rel="external nofollow"  rel="stylesheet" integrity="sha384-BmbxuPwQa2lc/FVzBcNJ7UAyJxM6wuqIj61tLrc4wSX0szH/Ev+nYRRuWlolflfl" crossorigin="anonymous">'
bootstrap_js = '<script src="https://cdn.jsdelivr.net/npm/bootstrap@5.0.0-beta2/dist/js/bootstrap.bundle.min.js" integrity="sha384-b5kHyXgcpbZJO/tY9Ul7kGkf1S0CWuKcCD38l8YkeH8z8QjE0GmW1gYU5S9FOnJ0" crossorigin="anonymous"></script>'

這里我稍微調(diào)整我們的 custom_styles，以匹配我們的新 CSS 類：

custom_styles = """ b => b.mark
                    u => u.initialism
                    p[style-name='Heading 1'] => h1.card
                    table => table.table.table-hover
                    """

在第一行，我們將粗體 DOCX 樣式映射到具有類的 HTML 元素，該類是 HTML 標(biāo)簽的 Bootstrap 類，用于突出顯示文本的一部分。b mark <mark>

在第二行，我們?yōu)?HTML 元素添加了類，稍微減小了字體大小，并將文本轉(zhuǎn)換為大寫。initialism u

在第三行，我們選擇所有具有樣式名稱的段落，并將其轉(zhuǎn)換為具有 Bootstrap 類的 HTML 元素，該類為元素設(shè)置多個(gè)樣式屬性，例如背景顏色、位置和邊框。Heading 1 h1 card

在最后一行，我們將 docx 文件中的所有表格轉(zhuǎn)換為 HTML 元素，并使用 Bootstrap 的類來給它一個(gè)新的外觀，同時(shí)我們通過添加 Bootstrap 類使其在懸停時(shí)高亮顯示。table table table-hover

和之前一樣，我們使用點(diǎn)符號將多個(gè)類映射到同一個(gè) HTML 元素，即使這些樣式來自另一個(gè)來源。

最后，將 Bootstrap CDNs 添加到我們的 HTML 中：

edited_html = bootstrap_css + html + bootstrap_js

現(xiàn)在可以分享我們的 HTML，以下是完整的代碼以供參考：

import mammoth

input_filename = "file-sample_100kB.docx"

custom_styles = """ b => b.mark
                    u => u.initialism
                    p[style-name='Heading 1'] => h1.card
                    table => table.table.table-hover
                    """


bootstrap_css = '<link   rel="external nofollow"  rel="external nofollow"  rel="stylesheet" integrity="sha384-BmbxuPwQa2lc/FVzBcNJ7UAyJxM6wuqIj61tLrc4wSX0szH/Ev+nYRRuWlolflfl" crossorigin="anonymous">'
bootstrap_js = '<script src="https://cdn.jsdelivr.net/npm/bootstrap@5.0.0-beta2/dist/js/bootstrap.bundle.min.js" integrity="sha384-b5kHyXgcpbZJO/tY9Ul7kGkf1S0CWuKcCD38l8YkeH8z8QjE0GmW1gYU5S9FOnJ0" crossorigin="anonymous"></script>'


with open(input_filename, "rb") as docx_file:
    result = mammoth.convert_to_html(docx_file, style_map = custom_styles)
    html = result.value 

edited_html = bootstrap_css + html + bootstrap_js

output_filename = "output.html"
with open(output_filename, "w") as f: 
    f.writelines(edited_html)

此外，需要注意的一點(diǎn)是，在實(shí)際情況下，你可能不會像我們在這里所做的那樣直接將 Bootstrap CSS 添加到 HTML 內(nèi)容中。相反，你會將 HTML 內(nèi)容加載或注入到一個(gè)特殊的 HTML 頁面中，該頁面已經(jīng)包含了必要的 CSS 和 JS 捆綁包。

Mammoth 還允許我們修改我們正在轉(zhuǎn)換的內(nèi)容。

處理我們不想分享的圖片

假設(shè)我們希望跳過 DOCX 文件中的圖像不進(jìn)行轉(zhuǎn)換。convert_to_html()方法接受一個(gè)convert_image參數(shù)，這是一個(gè)圖像處理函數(shù)。它返回一個(gè)應(yīng)該轉(zhuǎn)換并添加到 HTML 文檔中的圖像列表。

當(dāng)然，如果我們覆蓋它并返回一個(gè)空列表，它們將從轉(zhuǎn)換后的頁面中省略：

def ignore_image(image):
    return []

現(xiàn)在，讓我們將該函數(shù)作為參數(shù)傳遞到convert_to_html()方法中：

with open(input_filename, "rb") as docx_file:
    result = mammoth.convert_to_html(docx_file, style_map = custom_styles, convert_image=ignore_image)
    html = result.value
    with open('output.html', 'w') as html_file:
        html_file.write(text)

就是這樣！ Mammoth 在生成 HTML 文件時(shí)將忽略所有圖像。

到目前為止，我們一直在用 Python 編程方式使用 Mammoth。Mammoth 也是一個(gè)命令行工具，因此我們有了另一個(gè)將 DOCX 轉(zhuǎn)換為 HTML 的接口。讓我們在下一節(jié)中看看它的工作情況。

使用命令行工具將 DOCX 轉(zhuǎn)換為 HTML

使用 Mammoth 的 CLI 進(jìn)行文件轉(zhuǎn)換通常如下所示：

mammoth path/to/input_filename.docx path/to/output.html

如果你想將圖像從 HTML 中分離出來，可以指定一個(gè)輸出文件夾：

mammoth file-sample_100kB.docx --output-dir=imgs

我們也可以像在 Python 中那樣添加自定義樣式。首先需要?jiǎng)?chuàng)建一個(gè)自定義樣式文件：

touch my-custom-styles

然后，我們將在其中添加自定義樣式，語法與之前相同：

b => b.red
u => em.red
p[style-name='Heading 1'] => h1.red.underline

現(xiàn)在我們可以生成帶有自定義樣式的 HTML 文件：

mammoth file-sample_100kB.docx output.html --style-map=my-custom-styles

大功告成！您的文檔已按定義的自定義樣式進(jìn)行轉(zhuǎn)換。

結(jié)語

文件類型轉(zhuǎn)換在處理網(wǎng)頁技術(shù)時(shí)是一種常見需求。將 DOCX 文件轉(zhuǎn)換為易于操作的 HTML 格式，使我們能夠根據(jù)需要重建數(shù)據(jù)。使用 Mammoth，我們學(xué)會了如何從 docx 中提取文本并將其轉(zhuǎn)換為 HTML。

在轉(zhuǎn)換為 HTML 時(shí)，我們可以使用我們創(chuàng)建的 CSS 規(guī)則或常見的 UI 框架提供的規(guī)則來樣式化輸出。我們還可以省略不需要在 HTML 中可用的數(shù)據(jù)。

以上就是Python使用Mammoth將DOCX轉(zhuǎn)換為HTML的詳細(xì)內(nèi)容，更多關(guān)于Python Mammoth將DOCX轉(zhuǎn)HTML的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: