隨著SaaS服務(wù)的流行，越來越多的人選擇在各個(gè)平臺(tái)上編寫文檔，制作表格并進(jìn)行分享。

同時(shí)，隨著Markdown語法的破圈，很多平臺(tái)開始集成支持這種簡(jiǎn)潔的書寫標(biāo)記語言，這樣可以保證平臺(tái)上用戶文檔樣式的統(tǒng)一性。

但是在一些場(chǎng)景下，我們還是會(huì)在本地的Office軟件上寫有很多文檔，或者歷史遺留了很多本地文檔。

如果我們需要將其上傳到各大平臺(tái)，直接復(fù)制粘貼，大概率是會(huì)造成文檔內(nèi)容結(jié)構(gòu)和樣式的丟失。于此我們需要將其轉(zhuǎn)換為 Markdown 語法。

很多桌面軟件（比如Typora）都提供了導(dǎo)入 Word 文件的功能，這類功能一般是通過 Pandoc 這個(gè)軟件來擴(kuò)展實(shí)現(xiàn)的。

Pandoc 是一個(gè)全能型的文檔格式轉(zhuǎn)換工具，其能夠?qū)⒍喾N文檔格式轉(zhuǎn)換為各類常見的文檔格式。具體的文檔格式之間的轉(zhuǎn)換如下圖所示（來源于官網(wǎng)）：

Pandoc 是瑞士軍刀一般的存在，能夠較好的處理各類的文檔格式轉(zhuǎn)換，但是如果我們需要自己寫程序，調(diào)用 Pandoc 則需要額外的安裝 Pandoc 才行，并且也不方便自定義。

幸而，在 Python 中有很多第三方模塊提供了此類文檔格式的轉(zhuǎn)換功能。今天，我們來實(shí)現(xiàn)一下比較頻繁使用到的 Word 文檔轉(zhuǎn) Markdown 文檔。

轉(zhuǎn)換邏輯

Word 文檔到 Markdown 文檔的轉(zhuǎn)換總體而言分兩步來實(shí)現(xiàn)：

• 第一步，將 Word 文檔轉(zhuǎn)換為 HTML 文檔；
• 第二步，將 HTML 文檔轉(zhuǎn)換為 Markdown 文檔；

依賴模塊

要實(shí)現(xiàn)這個(gè)功能我們需要借助 Python 的兩個(gè)第三方模塊：

• mammoth
• markdownify

mammoth 是一個(gè)用于將 Word 文檔轉(zhuǎn)換為 HTML 的模塊，它支持在 Python、JavaScript、Java、.Net等平臺(tái)使用。而 markdownify 則是將 HTML 轉(zhuǎn)換為 Markdown 文檔的模塊。

處理 Word 圖片

因?yàn)?Word 文檔中不可避免地會(huì)存在很多圖片，為了在轉(zhuǎn)換后的文檔中能夠正確地顯示圖片，我們需要自定義一下Word 文檔內(nèi)圖片的處理方式。默認(rèn)情況下，mammoth 會(huì)將圖片轉(zhuǎn)換為 base64 編碼的字符串，這樣不用生成額外的本地圖片文件，但是會(huì)使文檔體積變得很大。所以我們選擇將圖片另存為本地圖片：

1. # 轉(zhuǎn)存Word文檔內(nèi)的圖片
2. def convert_img(image):
3. with image.open() as image_bytes:
4. file_suffix = image.content_type.split("/")[1]
5. path_file = "./img/{}.{}".format(str(time.time()),file_suffix)
6. with open(path_file, 'wb') as f:
7. f.write(image_bytes.read())
8.  
9. return {"src":path_file}

正式轉(zhuǎn)換

在這里，我們以州的先生很久以前寫的《Python爬蟲實(shí)戰(zhàn)與機(jī)器學(xué)習(xí)應(yīng)用》（需要這本書的小伙伴可以微信私聊我）這本書的 Word 文檔來演示。

代碼如下所示：

1. # 讀取Word文件
2. with open(r"F:\自媒體\Python爬蟲實(shí)戰(zhàn)與機(jī)器學(xué)習(xí)應(yīng)用.docx" ,"rb") as docx_file:
3. # 轉(zhuǎn)化Word文檔為HTML
4. result = mammoth.convert_to_html(docx_file,convert_image=mammoth.images.img_element(convert_img))
5. # 獲取HTML內(nèi)容
6. html = result.value
7. # 轉(zhuǎn)化HTML為Markdown
8. md = markdownify(html,heading_style="ATX")
9. print(md)
10. with open("./docx_to_html.html",'w',encoding='utf-8') as html_file,open("./docx_to_md.md","w",encoding='utf-8') as md_file:
11. html_file.write(html)
12. md_file.write(md)
13. messages = result.messages

運(yùn)行程序，最終生成2個(gè)文件：

• docx_to_html.html
• docx_to_md.md

其中，docx_to_html.html 是 Word 文檔轉(zhuǎn)換為 HTML 后的文檔：

docx_to_md.md 是 HTML 轉(zhuǎn)換為 Markdown 后的文檔：

最后是另存為的圖片：

怎么樣，簡(jiǎn)單的二三十行代碼就完成了 Word 到 Markdown 文檔的轉(zhuǎn)換，是不是很簡(jiǎn)單？

此功能將集成到覓道文檔作為文檔導(dǎo)入的功能實(shí)現(xiàn)，歡迎持續(xù)進(jìn)行關(guān)注！

文章版權(quán)所有：州的先生博客

原文地址：https:///archives/1601.html

以上就是Python實(shí)現(xiàn)Word文檔轉(zhuǎn)換Markdown的示例的詳細(xì)內(nèi)容，更多關(guān)于python Word文檔轉(zhuǎn)換Markdown的資料請(qǐng)關(guān)注服務(wù)器之家其它相關(guān)文章！

原文鏈接：https:///archives/1601.html