乐趣区

关于python:asposewordsdocx实现docx合并以及去除aspose的印记

jiezi

aspose.words+docx 实现 docx 合并以及去除 aspose 的印记

起因

因工作须要实现多个 word 文档的合并，并尽量保障 original style 的形式将 word 转化成 html 用于端上进行展现。本文实现次要解决问题：

  • word 的多个文档的合并 [次要是实现 append 的形式合并]
  • 将合并文档转化成 html 文件，波及英文，日文的字体 word 原样展现，合并中图片的 base64d 的转化
  • 因为 aspose 是商业利用，为了实现完满白嫖，不通过破解的形式去掉转化后后果中 aspose 的印记

装置次要工具

  • aspose.words.python@6.22
  • python-docx
  • docxcompose
  • bs4

次要代码

  • 利用宝导入 
#! /usr/bin/env python3
# -*- coding: utf-8 -*-
# DESC: 1. 基于 docx 实现多个 docx 的合并
#       2. 基于 aspose 的实现 docx 到 html 的转化
#       3. 基于 bs4 的 html 的元素和内容的增删改等操作

import os
import re
import pandas as pd
import aspose.words as aw
import aspose.words.saving as saving
from bs4 import BeautifulSoup
from docx import Document
from docxcompose.composer import Composer
  • 合并 word 文档 
def merge_docx(docx_list: list, docx_merge_tar: str, docx_list_src: str) -> str:
    """
    合并 word 文档
    目前只是将 word 进行拼装，不进行分页等操作
    """
    if len(docx_list) == 0:
        raise Exception("input is empty.")
    if len(docx_list) == 1:
        return os.path.join(docx_list_src, docx_list[0])
    # 将第一个 word 作为基 word
    base_docx = Document(os.path.join(docx_list_src, docx_list[0]))
    base_docx_composer = Composer(base_docx)
    # composer.append 的形式合并到基 word
    for next_docx in docx_list[1:]:
        next_docx_path = os.path.join(docx_list_src, next_docx)
        base_docx_composer.append(Document(next_docx_path))
    base_docx_composer.save(docx_merge_tar)
    print("merge docx list ok.")
    return docx_merge_tar
  • 将 word 转成 html
def aspose_convert_docx_html(docx_file_path: str, html_file_path: str) -> str:
    """应用 aspose.words-python 将 word 转化成 html"""
    docx = aw.Document(docx_file_path)
    # 设置转化选项
    save_options = saving.HtmlSaveOptions(aw.SaveFormat.HTML)
    # 将图片存成 base64 模式
    save_options.export_images_as_base64 = True
    docx.save(html_file_path, save_options)
    return html_file_path
  • 去掉 aspose 的印记 
def del_aspose_elemet(html_tar_file: str, to_tar_file: str):
    """去除 aspose 的信息"""
    html_content = open(html_tar_file, "r", encoding="utf-8")
    soup = BeautifulSoup(html_content, features="lxml")
    # 删除指定的 aspose 的内容
    for tag in soup.find_all(style=re.compile("-aw-headerfooter-type:")):
        tag.extract()
    word_key_tag = soup.find("p", text=re.compile("Evaluation Only"))
    word_key_tag.extract()

    f = open(to_tar_file, "w", encoding="utf-8")
    f.write(soup.prettify())
    f.close()

测试 

if __name__ == '__main__':
    docx_file_path = r"D:\merge_tar\demo.docx"
    html_file_path = r"D:\merge_tar\demo.html"
    aspose_convert_docx_html(docx_file_path, html_file_path)

    process_file_path = r"D:\merge_tar\demo_d.html"
    del_aspose_elemet(html_file_path, process_file_path)

测试后果

  • demo.docx

  • apsose 转化 word 到 html

  • 解决 aspose 的印记

后记

  • aspose 的转化后 options 设置有很多，具体可参考 sapose.words 的 github 查看 demos
  • bs4 在解决 html 很弱小
  • 本文次要是记录工作中解决文档的实际后果，如果对你有用，那再好不过了
退出移动版