如何利用Python将html转为pdf、word文件

前言

在日常中有时需将 html 文件转换为 pdf、word 文件。网上免费的大多数不支持多个文件转换的情况，而且在转换几个后就开始收费了。

转 pdf

转 pdf 中使用 pdfkit 库，它可以让 web 网页直接转为 pdf 文件，多个 url 可以合并成一个文件。

安装 pdfkit 库

pip3 install pdfkit

安装 wkhtmltopdf 文件

pdfkit 是基于 wkhtmltopdf 的 python 封装库，所以需要安装 wkhtmltopdf 软件。

在windows 系统中，需要将 wkhtmltopdf.exe 文件路径配置在系统环境变量中。

url 生成 pdf

这里使用 baidu 首页和 bing 首页作为示例

import pdfkit
 
# 第一个参数可以是列表，放入多个域名，第二个参数是生成的 PDF 名称
pdfkit.from_url(['www.baidu.com','www.bing.com'],'search.pdf')

本地 html 文件生成 pdf

提前将需要转换的 html 存储到本地，也可以使用 python 爬虫代码抓取 html 文件到本地。

import pdfkit
 
pdfkit.from_file('/Users/xx/Desktop/html/baidu.html', 'search.pdf')

转 word

使用 pypandoc 库将 html 转换为 word 文件，pypandoc 是一个支持多种文件格式转换的 Python 库，它用到了 pandoc 软件，所以需要在电脑上安装 pandoc 软件

安装 pypandoc 库

pip install pypandoc

安装 pandoc 软件

pypandoc 是基于 pandoc 软件的库，所以要安装一下 pandoc (https://github.com/jgm/pandoc/releases/tag/2.11.4)，pandoc 支持多种类型转换。下图是 pandoc 的转换类型。

使用

将 html 文件提前存储在本地，也可以用爬虫将需要转换的 html 文件在代码中抓取后使用。

import pypandoc
 
# convert_file('原文件','目标格式','目标文件')
output = pypandoc.convert_file('/Users/xx/Desktop/html/baidu.html', 'docx', outputfile="baidu.doc")

pypandoc 无法对 word 进行排版，所以需要小伙伴们进行 2 次排版。

补充：用python把pdf文件转换为word文件

安装pip install pdf2docx：

pip install pdf2docx

如果安装过程出现报错，可能是版本匹配问题，先安装PyMuPDF这个库即可正常安装pip install PyMuPDF。

pip install PyMuPDF

安装好后，把需要转换的PDF文档放到和python代码同一个文件夹内。

python代码：

import os
from pdf2docx import Converter
 
def pdf_docx():
 
    # 获取当前工作目录
    file_path = os.getcwd()
 
    # 获取所有文件
    files = os.listdir(file_path)
 
    # 遍历所有文件
    for file in files:
 
        # 过滤临时文件
        if '~$' in file:
            continue
 
        # 过滤非pdf格式文件
        if file.split('.')[-1] != 'pdf':
            continue
        # 获取文件名称
        file_name = file.split('.')[0]
        # pdf文件名称
        pdf_name = os.getcwd() + '\\' + file
        # docx文件名称
        docx_name = os.getcwd() + '\\' + file_name + '.docx'
        # 加载pdf文档
        cv = Converter(pdf_name)
        cv.convert(docx_name, start=0, end=12)
        cv.close()
 
if __name__ == '__main__':
    pdf_docx()

start是pdf转换的起始页，end是结束页。如果不传入start和end这两个参数，默认就是从第一页转换到最后一页。也可以通过pages方法确定转换页数，方法为：cv.convert(docx_file, pages=[0,2, 5])

总结

利用好 Python 第三方库类，可以为小伙伴写出各种个性化定制的小程序

到此这篇关于如何利用Python将html转为pdf、word文件的文章就介绍到这了,更多相关Python将html转pdf word内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论