word无法正确渲染现代css，需将样式内联、用table替代flex/grid、图片用绝对路径或base64；pandoc配合--standalone和--css可转换但支持有限；python-docx需手动解析html；浏览器打印pdf再转docx易致文字图片化、格式错乱。
Word 能直接打开 HTML 文件，但样式会丢得一干二净
是的，双击 .html 文件用 Word 打开确实能显示文字结构，但 float、flex、@media、外部 CSS 链接、background-image 基本全失效。Word 渲染引擎不解析现代 CSS，只认它自己理解的内联样式子集（比如 font-family、color、text-align）和极简表格布局。
所以「保留格式」的关键不是靠 Word 自动解析，而是提前把 HTML 改造成 Word 友好形态：
- 所有样式必须转为
style内联属性，不能依赖<style></style>或外部 CSS - 避免使用 CSS Grid / Flexbox / 伪元素 / 变量 —— Word 不识别这些
- 用
<table> 模拟复杂布局（如多栏、卡片），Word 对 table 的兼容性远高于 <code>div - 图片路径必须是绝对 URL 或已转为 base64 内嵌（相对路径在 Word 中大概率显示为红叉）
- 先用工具（如
style-inliner或自写脚本）把 CSS 内联到 HTML 的每个标签上 - 运行命令：
pandoc input.html -o output.docx --standalone --css=styles.css—— 注意--css不是加载外部 CSS，而是让 Pandoc 把该 CSS 文件里的规则尝试映射成 Word 支持的格式（实际支持有限，建议仅用于字体/颜色等基础声明） - 如果含中文，务必加
--pdf-engine=xelatex（对 PDF 有效），但 DOCX 输出无需指定引擎；中文字体需在 HTML 中显式声明style="font-family: 'Microsoft YaHei', SimSun;" - 生成的 DOCX 里图片若丢失，说明原始 HTML 中
<img src="logo.png">的logo.png路径在当前目录不可见 —— Pandoc 不自动打包同目录资源，得用绝对路径或 base64 - 用
BeautifulSoup解析 HTML，遍历<p></p>、<h1></h1>、<table> 等节点 <li>对每个节点提取 <code>get('style')，手动映射：比如"text-align: center"→paragraph.alignment = WD_ALIGN_PARAGRAPH.CENTER -
<img>标签需读取src内容，如果是 URL 就下载，如果是相对路径就得拼对当前工作目录，再调用document.add_picture() - 复杂样式（如带边框的
<div>）没有对应 DOCX 元素，只能退化为带阴影的 <code>Table单元格或留白模拟这不是“转换”，是重写 —— 适合模板固定、结构清晰的场景（如导出日报），不适合任意网页。
浏览器打印为 PDF 再转 DOCX？小心格式错乱和文字不可选
Chrome「另存为 PDF」看似方便，但生成的 PDF 是栅格化页面（尤其含 CSS transform 或透明度时），再用 Adobe 或在线工具转 DOCX，结果常出现：
- 文字变成图片，无法编辑、搜索、复制
- 表格线断裂、列宽塌缩、跨页表格被截断
- 中文字体替换为默认西文字体（如 Times New Roman），字号变小
如果非要走这路，务必在打印前做三件事：
Ctrl+P→「更多设置」→ 关闭「背景图形」（否则灰色底纹变黑块）；勾选「标题和 URL」（避免页眉干扰）；设置页边距为「最小值」—— 这些细节直接影响后续 OCR 识别质量。真正难处理的，是那些用 JS 动态渲染的内容：Pandoc 和 python-docx 都拿不到 DOM 后状态，而浏览器打印能抓到，但代价是失去所有可编辑性。这时候得权衡——你要的是“看起来像”，还是“能改得了”。
用 Pandoc 转换最省事，但要加 --standalone 和 --css 参数
Pandoc 是命令行里最靠谱的 HTML → DOCX 工具，但它默认会剥离大部分样式。必须手动注入样式并确保资源可访问：
Python + python-docx 只适合简单结构，别指望它渲染 HTML
python-docx 库本身不解析 HTML，它只能新建 DOCX 并逐段写入文本、表格、图片。想用它“转换”，本质是自己写 HTML 解析器：
