请问有什么把 word 文档转换成 clean 的 HTML 的方法?

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

V2EX 提问指南

这是一个创建于 3747 天前的主题，其中的信息可能已经有所发展或是发生改变。

主要是图片和表格.
只要保留结构和表格的线框就好
>_<<
一直没有找到靠谱的方案啊

表格

HTML

clean

14 条回复 • 2014-09-16 01:22:04 +08:00

jtn007

2014-09-15 17:54:17 +08:00

直接另存为html?

Automan

2014-09-15 17:58:13 +08:00

之前做杂志App的时候也遇到过这个问题，稿件是 word，杂志的内容格式是 HTML
我的解决方法是另存为，再用正则替换掉所有不需要的代码

regmach

2014-09-15 18:15:53 +08:00

@jtn007 冗余代码太多.

regmach

2014-09-15 18:16:13 +08:00

@Automan 可有详解?

lincanbin

2014-09-15 19:43:57 +08:00

@regmach 如果你是PHP用户，可以直接用strip_tags。
Python的话显然就比较麻烦了，我没找到比较好用的模块，一般都是用re 一个个白名单匹配出来

loading

2014-09-15 20:53:34 +08:00 via iPad

rtf格式，不过没图

darkmi

2014-09-15 21:59:12 +08:00

Aspose.Words，完美方案，价格不菲。

regmach

2014-09-15 22:52:50 +08:00

@darkmi 在用word cleaner...@_@ 实在不行就用这个吧.

Automan

2014-09-15 22:55:59 +08:00

@regmach 我找找不知道放在哪了。。其实就是一小段 php 代码

em70

2014-09-15 23:04:33 +08:00 via Android

只是为了网页显示目的吗

regmach

2014-09-16 00:48:13 +08:00

@em70
是的.
只是为了显示,搞不定即时图片上传啊....杯具.
欢迎你,em70!
印象深刻,嘿嘿嘿.

@Automan
谢谢

to all,在用免费版的word cleaner,到期或者次数用尽就只能重装了.

Automan

2014-09-16 01:03:59 +08:00

function rplace($filename) {

$content = file_get_contents($filename);
$content = str_replace('<meta name=Generator content="Microsoft Word 11 (filtered)">', ' <link rel="stylesheet" type="text/css" href="css/book.css">
', $content);

$content = preg_replace('/<\/?SPAN[^>]*>/i', '', $content);
// Class
$content = preg_replace('/<(\w[^>]*) class=([^ |>]*)([^>]*)/i', "<$1$3", $content);
// Style
$content = preg_replace('/<(\w[^>]*) style=([^ |>]*)([^>]*)/i', "<$1$3", $content);
// Lang
$content = preg_replace('/<(\w[^>]*) lang=([^ |>]*)([^>]*)/i', "<$1$3", $content);
$content = str_replace('<p> </p>', '', $content);
$content = preg_replace('/<style>([\s\S]*)<\/style>/i', "", $content);

$content = preg_replace('/<(\w[^>]*) height=([^ |>]*)([^>]*)/i', "<$1$3", $content);

echo $content;
file_put_contents($filename, $content);

}
因为我还要保留其他格式，所以只去除了一部分标签，如果你只要 Table，用strip_tags可能更好一点。
比如 strip_tags($data, '<table><b><p><td><tr><th><tbody>');

em70

2014-09-16 01:05:14 +08:00

@regmach
word的网页显示有2种办法
1. 把word文档的每一页转换为图片,这种方法界面简洁,支持手机,平板浏览器,但对需要跨页的表格支持不好
2. flashpager把word转换为swf,百度文库,豆丁,道客巴巴就是这种技术,不过百度好像现在用自己的显示引擎,不依赖flash了.这种技术的问题是需要flash支持

regmach

2014-09-16 01:22:04 +08:00

@em70
@Automan
感谢 :)