前端工作中，经常会遇到将 Word 文档转换为 HTML 页面的需求，大多数是一些协议、规则，内容为纯文本；
实际操作的时候，需要把 word 文档中的内容复制出来，放到 html 标签中，并添加 css 进行格式化，因为涉及到分段、正文、子标题等，往往没法整体复制，整个过程费时费力；
更新时，也需要在一大段文案中做修改，容易出错；
概述
word 文档可以另存/导出为 html，如果对导出的 html 进行格式化，就可以极大的减少工作量，基于此，完全可以建立一个自动导出文档并格式化的流程；
基本思路：使用 python，调用 Office 底层 API 将 word 文档导出为单页 html，之后对此 html 进行格式化(正则替换处理)；
- python 版本：python2.7.x
- office 版本： 2010
- 系统环境：windows 7 / windows 2008 r2
需要安装的 python 包：
- pywin32：使 python 可以调用 windows API，可操作 word 转为 html；Github地址：http://github.com/mhammond/pywin32；
- chardet：检测字符编码，读取一个文件后，如果进行转码，需要知道当前的编码才能进行转换；资源地址：http://pypi.org/project/chardet/；
Word 导出类型
实际操作之前，先看一下 word 可以导出的类型，随便打开一个 word 文档，点击左上角“文档” – “另存为”，支持导出的类型如下图：
既然支持网页，那就省了好多事情，格式化一下就能用了，相关类型：
- 单个文件网页：格式为 MHTML，文档的所有内容都存到了这一个文件中，格式和内容太过复杂，不好处理；
- 网页：格式为 HTML，这种类型有两个问题，一是会生成“文件名.files”的资源文件夹；二是生成的 html 中，也包含了大量描述 word 信息的 xml 片段；
- 筛选过的网页：格式为 HTML，内容为常规HTML，基本没有多余的无用信息，完全符合要求；需要注意一点，保存的时候，会有一个提示，直接确定就好了，因为是纯文本的，不会存在什么特定功能；
所以，我们需要另存的类型为”筛选过的网页”。
具体的相关操作函数如下，传入 word 文档地址和最终要导出的 html 地址，返回导出 html 的字符串，基本逻辑是打开文档 – 另存为 HTML – 读取 HTML 内容
# docPath - word 文档地址 exportPath - 导出的 html 地址
def wordToHtml(docPath, exportPath):
try:
word = wc.Dispatch('Word.Application')
doc = word.Documents.Open(docPath)
doc.SaveAs(exportPath, 10)
finally:
if ('doc' in dir()) and doc.Close:
doc.Close()
if ('word' in dir()) and word.Quit:
word.Quit()
f = open(exportPath, 'r')
str = f.read()
f.close()
return str代码中有几个地方需要注意：
- 判断一个变量是否存在，用 ‘变量名’ in dir()；
- Python 中读取文件也非常简单，open() – read() – close()
- SaveAs 第二个参数，表示另存的类型；10 – “筛选过的网页”，0 – “Word 97-2003 文档”，其他的类型对照表如下：
名称 值
wdFormatDocument = 0
wdFormatDocument97 = 0
wdFormatDocumentDefault = 16
wdFormatDOSText = 4
wdFormatDOSTextLineBreaks = 5
wdFormatEncodedText = 7
wdFormatFilteredHTML = 10
wdFormatFlatXML = 19
wdFormatFlatXMLMacroEnabled = 20
wdFormatFlatXMLTemplate = 21
wdFormatFlatXMLTemplateMacroEnabled = 22
wdFormatHTML = 8
wdFormatPDF = 17
wdFormatRTF = 6
wdFormatTemplate = 1
wdFormatTemplate97 = 1
wdFormatText = 2
wdFormatTextLineBreaks = 3
wdFormatUnicodeText = 7
wdFormatWebArchive = 9
wdFormatXML = 11
wdFormatXMLDocument = 12
wdFormatXMLDocumentMacroEnabled = 13
wdFormatXMLTemplate = 14
wdFormatXMLTemplateMacroEnabled = 15
wdFormatXPS = 18格式化
已经得到了一个原始的 HTML，接下来就可以进行格式化了；格式化步骤：
- 去除自带样式，包括 style 标签和每个元素里的 style 样式；
- 去除标签上的行为、样式属性 (valign=center、lang=EN_US等)；
- 替换标签的默认 class (比如 MsoTitle 为标题，替换为自定义的class title)；
- 处理特殊标签，比如标签 a 需要设置 taget，table 需要设置边框之类；
- 添加自定义样式和 js 的引用；
- * 去掉批注
- 去空：去掉空标签、内容为空格的标签、内容中的空格、空行；
逻辑基本是上面这样，实际代码太多，只截取一部分：
# res - 导出的 html
def formatHtml(res):
res = re.sub(r'charset=[\w\d\-]+', 'charset=utf-8', res)
curCode = chardet.detect(res)['encoding']
try:
res = res.decode(curCode)
except UnicodeDecodeError:
res = res.decode('gbk')
# 往head标签中添加内容
head = r'''<title></title>
<meta charset="utf-8">
<link rel="stylesheet" href="https://ashita.top/custom.css">
'''
# 去除默认style标签
res = re.sub(r'<style>[\s\S]*<\/style>', head, res)
res = re.sub(curCode, r'utf-8', res) # 改编码
# 去掉行间样式 style
res = re.sub(u'style=[\w\d;\-_.\.\s;,:#\"\'%\u4e00-\u9fa5]+>', '>', res)
# 填充title内容
searchObj = re.search(u'(MsoTitle|MsoSubtitle)[\'\"<>=\s\d\w]+([\u4e00-\u9fa5\d]+)', res, re.I | re.M)
if (searchObj):
title = searchObj.group(2)
res = re.sub(r'<title></title>', '<title>{0}</title>'.format(title), res)
# 动态参数
# res = re.sub(r'\{\{([\w\d]+)\}\}', createParams, res)这一步其实只做了一件事儿：正则替换；
语法是这样的 re.sub(正则字符串，要替换成的字符串，源字符串)
其他需要注意的地方：
- 正则真是一门艺术，熟练掌握不易；所以在处理的时候，我写的表达式尽量简单、少用模式，并不要求极高的性能；
- 字符串前加 r/R 可以表示原始字符串，即内部字符不作转义；字符串前加 u 表示创建的是一个 Unicode 字符串；
源码地址：http://github.com/sun2dan/stack/tree/master/python/word2html