序
最近公司一个客户大大购买了一堆医疗健康方面的科普文章，希望能放到我们正在开发的健康档案管理软件上。客户大大说，要智能推送！要掌握节奏！要深度学习！要让用户留恋网站无法自拔！
话说符合以上特点的我也只能联想到某榴了。
当然，万里长征的第一步是把文章导入我们的数据库。项目使用的是AWS的dynamoDB，是非关系型数据库，所有内容都是以json的形式储存的。而客户大大购买来的文章，一共600多篇，要么是word要么是Adobe indesign的indd。找了一圈，没有发现合适的应用可以把word或indd转化成干净的html。所以我只能自己造轮子啦～听说python很擅长文本处理，所以就是你了，python！这是我第一次用python写项目，不符合规范的地方欢迎大神提点。
太长不看
用逆天的python 模块mammoth和docx 处理你的word文件；把indd批量转化成pdf然后用layout_scanner转化成html。
word批量转化为html
1、 建立文件结构并批量读取文件
在根目录下创建几个文件夹，用来放不同格式的文件，我把所有要处理的word文件放在docfiles 这个子目录里。word.py里写转化程序。
-
├── docfiles -
├── imgs -
├── inddfiles -
├── output -
└── pdfs -
└── word.py
2、引入模块和申明文件路径
-
import mammoth -
import mammoth.transforms -
import os -
from docx import Document -
from bson import json_util -
import zipfile -
import json -
import unidecode -
import requests -
guidUrl = "https://my.phrplus.com/REST/guid" -
inputPath = '/Users/admin/cwell/parser/docfiles/' -
imgPath = "/Users/admin/cwell/parser/imgs/" -
outputFile = '/Users/admin/cwell/parser/output/output.json'
mammoth: 核心组件，用来做转化工作
docx: 另一个做转化工作的模块，用来补充mammoth
os: 用来在系统中读取写入文件
zipfile: 用来解压word文档以提取图片
json: 用来把数据转化成json
bson: 用来配置写入json文件
unicode：用来处理字符
requests：用来调用api
3、转换单个文件
-
styleMap = """ -
p[style-name='Title'] => h1.hide -
p[style-name='Subhead 1'] => h3 -
p[style-name='List Bullet'] => ul.first > li:fresh -
p[style-name='List Bullet 2'] => ul.second > li:fresh -
p[style-name='Hyperlink']=>a.link -
""" -
def convert_image(image): -
return { -
"src":"" -
} -
def parseFile(f): -
document = Document(inputPath+f) -
article = {"Title":document.core_properties.title,"Content":""} -
with open(inputPath+f,"rb") as docFile: -
html = mammoth.convert_to_html(docFile,style_map=styleMap,convert_image=mammoth.images.img_element(convert_image)) -
decoded = unidecode.unidecode(html.value) -
if not article["Title"]: -
for para in document.paragraphs: -
if para.style.name == 'Title': -
if para.text: -
article["Title"] = para.text -
article["Content"]=decoded -
return article
parseFile就是核心功能了。传递进来的参数f是文件名，和文件路径合在一起能够帮我们准确定位要转化的文件。首先用docx找到文档的标题，并创建一个dictionary，里面包含标题和内容。然后用mammoth转化整个文件。注意命令中要用到stylemap和convertimage。前者用来规定转化规则：'style-name'是word里的式样名称，用word打开文档，点击任意一个元素可以查看其式样名称；这里规定标题转化为h1，副标题转化为h2等等。关于列表的转化规则这里就不详细叙述了，具体可以参考下面的文章：
参考链接
-
Converting docx to clean HTML: handling the XML structure mismatch
'convert_image' 是用来规定图片的转化方式的，由于我准备之后批处理所有文档中的图片，在这里就告诉程序不储存任何图片信息。但是于此同时保留图片的img tag以便标注图片在文档中的位置。如果不规定任何转化方式，生成的html里面会包含一大长串base64的图片信息。
mammoth转化出来的html是含有unicode的，不知道为什么python里跑一直报错，就用unicode解码了一下。
这之后，如果前面的程序没有抓取到文档标题，用docx换个姿势再抓取一下。
最后返回article这个dictionary。
4、抓取图片
-
def extractImage(f): -
ziped = zipfile.ZipFile(inputPath+f) -
allFiles = ziped.namelist() -
imgs = filter(lambda x: x.startswith('word/media/'), allFiles) -
imgNameArr = [] -
for img in imgs: -
res = requests.post(guidUrl) -
if res.status_code is 200: -
guid = res.text -
data = ziped.read(img,imgPath) -
idxStr = os.path.basename(img).split(".")[0][-1:] -
imgDict = {} -
imgDict["index"] = int(idxStr)-1 -
imgDict["fileName"] = guid+".jpg" -
imgNameArr.append(imgDict) -
targetPath = os.path.join(imgPath,guid+".jpg") -
target = open(targetPath,"wb") -
target.write(data) -
target.close() -
ziped.close() -
return imgNameArr
没想到word文档其实是一个压缩文件吧？如果直接把word文档的后缀名改成zip然后再用解压软件查看，会看到一个media文件夹，里面就包含所有插入的图片。
用ziped读取文档，然后找到存放图片的media文件夹，每一个图片重新用guid命名，生成一个dictionary，里面包含的信息有“此图片在文档中出现的顺序”和文件名。话说media中的图片都被按照顺序重新命名为image1.png, image2.png，刚好为我们抓取顺序信息提供了方便。
（python也有生成guid的模块，我在这里调用api有点多此一举，但是为了和项目中其他图片需要用到的uuidv4保持一致还是用了）
之后就是把图片存在‘imgs’这个文件夹下。
5、生成json
-
def processDocs(path): -
result = [] -
for f in os.listdir(path): -
if not f.startswith('.'): -
imgNameArr = extractImage(f) -
article = parseFile(f) -
fileName = os.path.basename(f) -
contentArr = article["Content"].split("<img") -
for idx, section in enumerate(contentArr): -
for info in imgNameArr: -
if idx is info["index"]: -
contentArr[idx] = section+"<img alt='"+info["fileName"]+"' data-fileName='"+info["fileName"]+"'" -
article["Content"] = ''.join(contentArr) -
result.append(article) -
with open(outputFile,'w+') as f: -
json.dump(result,f,default=json_util.default)
最后要用到的一个function就是写个循环挨个处理docfiles文件夹底下的文件了。针对每一个文件，记得把之前生成的图片信息的数组map到html里，然后在写入到json文件里就大功告成了！
indd转化为html
话说，到现在为止，我还没有找到一个完美的解决方案。我使用了相同的思路，把indd先批量生成为pdf（有一个indesign 脚本就是专门批量转化pdf的）,然后用了一个叫做layout_scanner的github项目抓取pdf信息并转化为html。最后生成的html包含了文字和图片，但是图标和排版就保存不下来了。客户大大表示不满意。我也很惆怅啊！机智的小伙伴们如果有更好的思路请务必告诉我！如果需要我详细说明一下这一块内容，我会更新在这篇文章中。
原文发布时间为：2018-01-07
本文作者：栗子君
本文来自云栖社区合作伙伴“Python中文社区”，了解相关信息可以关注“Python中文社区”微信公众号
