本文實例講述了Python實現將HTML轉換成doc格式文件的方法。分享給大家供大家參考，具體如下：

網頁上的一些文章，因為有格式的原因，它們在網頁上的源碼都是帶有html標簽的，用css來進行描述。本文利用HTML Parser 和docx兩個模塊，對網頁進行解析并存儲到word文檔中。轉換出來的格式相對還是有些粗糙，不喜勿噴。話不多說，直接上代碼。

class HTMLClient:  #獲取html網頁源碼  def GetPage(self, url):    #user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'    user_agent = 'Mozilla/5.0 (X11; Linux i686) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/34.0.1847.116 Chrome/34.0.1847.116 Safari/537.36'    headers = { 'User-Agent' : user_agent }    req = urllib.request.Request(url, None, headers)    try:      res = urllib.request.urlopen(req)      return res.read().decode("utf-8")    except urllib.error.HTTPError as e:      return None  #獲取網絡圖片并保存在程序運行目錄下  def GetPic(self, url):    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'    headers = { 'User-Agent' : user_agent }    req = urllib.request.Request(url, None, headers)    try:      res = urllib.request.urlopen(req)      return res.read()    except urllib.error.HTTPError as e:      return None

html到doc的轉換過程中，圖片保存和處理是比較麻煩的事情，因為可能涉及到圖片格式錯誤，因此為了保證圖片正常運行，應當修改圖片添加異常處理流程。

class MYHTMLParser(HTMLParser):  def __init__(self, docfile):    HTMLParser.__init__(self)    self.docfile = docfile    self.doc = Document(docfile)    self.myclient = HTMLClient()    self.text = ''    self.title = False    self.isdescription = False    self.picList=[]  #根據標簽頭類型決定標簽內容的格式  def handle_starttag(self, tag, attrs):    #print "Encountered the beginning of a %s tag" % tag    self.title = False    self.isdescription = False    #<h1>標簽說明其中的內容是標題    if re.match(r'h(/d)', tag):      self.title = True    #圖片的處理比較復雜，首先需要找到對應的圖片的url，然后下載并寫入doc中    #下載的圖片格式如果有問題，docx模塊會報錯，因此重新定義異常處理    #圖片名稱需要記錄下來，在文檔保存后要自動刪除    if tag == "img":      if len(attrs) == 0: pass      else:        for (variable, value) in attrs:          if variable == "src":            #此處圖片url類型為[http://url/pic.img!200*200]            #不同網站圖片類型不同，因此當作不同處理            picdata = self.myclient.GetPic(value.split('!')[0])            if picdata == None:              pass            else:              pictmp = value.split('/')[-1].split('!')[0]              picfix = value.split('/')[-1].split('!')[-1]              with open(pictmp, 'wb') as pic:                pic.write(bytes(picdata))                pic.close()              try:                if picfix[0:1] == 'c':                  self.doc.add_picture(pictmp, width=Inches(4.5))                else:                  self.doc.add_picture(pictmp)#, width=Inches(2.25))              except docx.image.exceptions.UnexpectedEndOfFileError as e:                print(e)              self.picList.append(pictmp)    #javascript腳本    if tag == 'script':      self.isdescription = True  def handle_data(self, data):    if self.title == True:      if self.text != '':        self.doc.add_paragraph(self.text)      self.text = ''      self.doc.add_heading(data, level=2)    if self.isdescription == False:      self.text += data  def handle_endtag(self, tag):    #if tag == 'br' or tag == 'p' or tag == 'div':    if self.text != '':      self.doc.add_paragraph(self.text)      self.text = ''  def complete(self, html):    self.feed(html)    self.doc.save(self.docfile)    for item in self.picList:      if os.path.exists(item):        os.remove(item)