从 MS Word 或 Libre Office 到干净的 HTML答案

【问题标题】：From MS Word or Libre Office to clean HTML从 MS Word 或 Libre Office 到干净的 HTML
【发布时间】：2013-01-24 07:26:58
【问题描述】：

向我的网站发送内容的人使用 Word，因此我将大量 Word 文档转换为 HTML。我只想保留基本格式 - 标题、列表和强调 - 没有图像。

当我使用 Libre Office “另存为 HTML” 转换它们时，生成的文件很大，例如，112K 的 doc 文件变成了 450K 的 HTML，其中大部分是无用的 FONT 和 SPAN 标签（出于某种原因，每个标点标记包含在它自己的跨度中！）。

我尝试了这个脚本：http://www.techrepublic.com/blog/opensource/how-to-convert-doc-and-odf-files-to-clean-and-lean-html/3708基于tidy和sed，将大小缩小到150K左右，但是还是有很多没用的SPAN。

我尝试复制并粘贴到 Kompozer - HTML 编辑器中，然后另存为 HTML；但它将我所有的非拉丁（希伯来）字母转换为“ְ”等实体，从而将大小增加到 750K！

我尝试了 docvert:https://github.com/holloway/docvert/issues/6，但发现它需要一个 python 库，它需要另一个库等，这似乎是一个无穷无尽的依赖路径......

有没有一种简单的方法可以从 Office 文档创建干净的 HTML？

【问题讨论】：

这可能是重复的：stackoverflow.com/questions/67964/…

标签： html ms-word web-standards openoffice-writer

【解决方案1】：

我一直在使用http://word2cleanhtml.com/，直到我意识到 MS Word 本身提供了将文档保存为 HTML 的选项。

选择此选项后，.docx 文件变为 .html，并且是我见过的最好的 html 版本的 word doc。它肯定比所有这些在线工具都要好。

【讨论】：

【解决方案2】：

我意识到这个问题很老，但其他答案从未真正回答过这个问题。如果您不反对编写一些 PHP 代码，CubicleSoft Ultimate Web Scraper Toolkit 有一个名为 TagFilter 的类：

https://github.com/cubiclesoft/ultimate-web-scraper/blob/master/support/tag_filter.php

您传入两件事：一组选项和要解析为 HTML 的数据。

为了清理损坏的 HTML，来自 TagFilter::GetHTMLOptions() 的默认选项将作为一个很好的起点。这些选项构成了有效 HTML 内容的基础，并且不做任何其他事情，将任何输入数据清理为其他工具（如 Simple HTML DOM）可以在 DOM 模型中正确解析的内容。

但是，使用该类的另一种方法是修改默认选项并将“回调”选项添加到选项数组。对于 HTML 中的每个标签，都会调用指定的回调函数。回调预计会返回如何处理每个标签，这就是 TagFilter 真正发挥作用的地方。您可以保留任何给定标签及其部分或全部属性（或修改它们），删除标签但保留内部内容，保留标签但删除内容，修改内容（用于关闭标签），或摆脱标签和内部内容。这种方法允许对最复杂的 HTML 进行极其精细的控制，并一次性处理输入。有关 TagFilter 的使用示例，请参见同一存储库的测试套件。

唯一的缺点是回调必须跟踪它在每次调用之间的位置，而像 Simple HTML DOM 这样的东西会基于类似 DOM 的模型来选择事物。但这只是一个缺点，如果正在处理的文档有'id's和'class'es之类的东西......大多数Word / Libre HTML内容都没有，这意味着就DOM处理工具而言，它是一个巨大的无法识别/无法解析的HTML去吧。

【讨论】：

【解决方案3】：

在您的情况下，您可能需要逐行转换 word doc 的主要部分，然后返回并清理任何其他标签。如果您不介意这种方法，请考虑此解决方案...

将 Word 文档另存为网页后，打开同一个网页在记事本++中。
然后对该文档使用替换功能
在查找内容框中，输入 ]+>
在相同的搜索模式下窗口，选择“正则表达式”

现在您所要做的就是单击“查找下一个”，直到找到要替换的标签，然后为每个需要替换的标签单击“替换”。确保“替换为：”框为空。

不知道有没有更方便的方式，但是这种方式是100%免费且简单的，通过Notepad++进行HTML标签清理处理。

至于将内联样式转换为外部 CSS（我建议将其作为替换不必要标签后的第二个过程），试试这个应用程序... http://inlinecssextractor.com/home.html

祝你好运

【讨论】：

使用 Notepad++ 可能是单个文档的解决方案，但是，由于我每周都有新文档，我不想为每个文档一次又一次地重复相同的替换...

【解决方案4】：

我发现这两种清洁剂非常有效。首先，我通过

运行了word过滤的html

http://textism.com/wordcleaner/

然后我使用一些正则表达式将一些项目符号段落项目转换为列表 (li)。然后我通过

运行结果

http://infohound.net/tidy/

用无序列表（ul）标签包装列表项并清除其他错误。我对从 1.5M 到 225k 的结果感到非常满意。

【讨论】：

【解决方案5】：

这是一组 PowerShell 脚本，它们将在大约 95% 的时间里清理 Word-Filtered HTML 并正确标记超级/下标。（不，没有比这更好的了，Word 是为印刷而生的。）

https://github.com/suzumakes/replaceit

自述文件中有说明，如果您碰巧遇到任何需要捕捉的其他角色或提出任何调整/改进，我很乐意看到您的拉取请求。

【讨论】：

【解决方案6】：

ophir.php 在从 .odt 文件生成干净的 HTML 方面做得非常好。您需要一个 php 托管环境来运行它。

【讨论】：