python-docx无法读取HTML,因其仅支持.docx格式;推荐用BeautifulSoup解析HTML后手动映射为python-docx元素,或用Pandoc命令行转换(需注意编码、图片路径及模板)。

用 Python 的 python-docx 无法直接读取 HTML
python-docx 是个纯 Word 文档操作库,它不解析 HTML,也不接受 .html 文件作为输入。你如果试过 Document("page.html"),会立刻遇到 FileNotFoundError 或更隐蔽的 KeyError: 'word/document.xml' —— 因为它在找 .docx 内部结构,不是 HTML 标签树。
真正能吃 HTML 的是 docxcompose、pydocx(已停更)、或更靠谱的 bs4 + python-docx 手动转换路径。但注意:pydocx 对 CSS 支持极弱,表格、列表嵌套一塌糊涂;别碰。
- 推荐组合:用
BeautifulSoup解析 HTML,再逐元素映射成python-docx的段落/表格/图片 - 如果 HTML 含内联样式(比如
style="font-size:14px; color:#333"),python-docx不支持直接继承,得手动提取并调用run.font.size、run.font.color.rgb - 中文换行、全角空格、
在 Word 中可能塌缩成单空格,需提前 replace 成"\u3000"或插入run.add_break()
用 Pandoc 命令行最稳,但要处理编码和资源路径
Pandoc 是目前处理 HTML → DOCX 最成熟的方案,它背后调用的是 LibreOffice 的文档模型,对语义标签( 常见翻车点:Windows 下默认 GBK 编码读 HTML,而网页通常是 UTF-8,不加参数就会乱码;另外,HTML 里的相对路径图片(如 这是因为浏览器保存的 HTML 是渲染快照(含大量内联 与其修 HTML,不如倒推:用 Word 打开原始网页链接(File → Open → 粘贴 URL),它会走 MSHTML 引擎抓取,比“另存为 HTML”再打开更准;但该方式仅限公开可访问页面,且不支持登录态。 Contact Form 7 是 Rock Lobster Inc. 公司长期运行的 WordPress 表单插件,拥有超过 1000 万次活跃安装,并在 contactform7.com 提供官方文档。此技能适用于需要了解网站表单、邮件模板、验证行为和 shortcode 位置在 Contact Form 7 中实际处理方式的代理。 像 CloudConvert、Zamzar 这类网站确实点几下就出 DOCX,底层也是 Pandoc 或 LibreOffice Server,适合临时处理非保密的宣传页、博客文章。 但它们会把整个 HTML(含注释、隐藏字段、JS 变量)上传到第三方服务器。如果你的 HTML 里有调试用的 API key 注释、内部路径、用户数据片段,上传即泄露。 实际转换时,最耗时间的从来不是工具选型,而是判断哪些 HTML 结构 Word 根本不认——比如一个用了 、、
)还原度高,且支持自定义参考 DOCX 模板来统一格式。
images/chart.png)在转换时找不到,Pandoc 默认不递归复制资源。
pandoc input.html -o output.docx
pandoc --from=html+smart input.html -o output.docx --charset=utf-8
pandoc input.html --extract-media=. -o output.docx(会把图片解压到当前目录)pandoc input.html -o output.docx --reference-doc=my-template.docx
浏览器另存为“网页,仅 HTML”后,Word 打开仍丢样式?
style 和 class),但 Word 的 HTML 渲染引擎极度简陋,只认基础标签(、、),对 Flex/Grid、CSS 变量、
@media 完全无视。你看到的“样式丢失”,其实是 Word 主动放弃解析。
<script></script> 和冗余 style 属性,改用语义化标签: 替 + 支持差,一律换成 包裹图片和说明文字
在线工具能用,但敏感内容绝不能上传
、data-user-id="123"、src="http://intranet/report.csv"
sed -i '/API_KEY\|intranet\|secret/d' input.html(Linux/macOS)或 PowerShell 的 (Get-Content a.html) -notmatch "API_KEY" | Set-Content a-clean.html 先脱敏position: absolute 的悬浮按钮,在 DOCX 里连影子都不会有。得提前人工降级,不是靠参数能救回来的。
前端入门到VUE实战笔记:立即使用
在学习笔记中,你将探索 前端 的入门与实战技巧!










