Python实现Word转为Markdown：CSDN新手发文窘境——段落篇_python把word文档转为md格式

前言

  本来想把自己的一些笔记整理好放到CSDN的博客中，然而却被CSDN编辑器搞头大了。无论是科研还是工作中都很少用到Markdown“编辑器”（本文简称md法）,它主张专注于打字，但不太符合我记笔记的习惯，换个颜色啥的；虽然它支持html语言实现各种“符合习惯的”的样式，但又丧失了专注于打字的功能。
  CSDN也支持富文本编辑器（本文简称rt法），但是从word中转移到富文本内图片上传的速度不敢苟同，且丧失了很多可以实现的效果，更气人的是，两个编辑器不能协同编辑。部分博主介绍了一种将Writage和Pandoc联动的方法（本文简称wp法）把docx格式转为md格式。个人试了一下，有几个方面的错误：1.公式通配符；2.图片添加不了；3.表格颜色单调；4.文字格式与word中不匹配。
  为了一次性解决众多问题，尝试使用一个Python脚本(doc2md)完成从word转换到CSDN能够支持的Markdown“编辑器”格式。

  本系列主要包括如下几个方面：1.文字篇；2.段落篇；3.表格篇；4.公式篇；5.图片篇
  各位小伙伴还有哪些想要的功能可以在评论区留言！
  

  段落篇我们主要需要修改以及可修改的内容包括：
  
  标题转换、首行缩进

  这一部分能修改的不多，我还尝试了段落间距、对齐方式，可似乎没什么效果
  测试所用数据(text.docx)挂这儿了，先对比看下效果
  

1 标题转换

  利用paragraph.style.name返回“Heading+标题等级”这一特性搜索到标题，分割字符串得到标题等级，docx中最高支持9级标题，但Markdown最高只支持６级标题，所以我们把一级标题的文字大小设置为6.

    # 读取段落标题 docx中最高支持9级标题，但Markdown最高只支持６级标题
    # paragraph.style.name 返回值“Heading 标题等级数字”
    if 'Heading' in paragraph.style.name:  # 判断段落是否为标题
        level = eval(paragraph.style.name[-1])
        for run in paragraph.runs:
            i = run.text.index('size=') + 5  # 查询标题中设置标题字号的文本位置
            run.text = run.text[:i] + '{}'.format(7 - level) + run.text[i + 1:]  # 1级标题文字大小为6
        paragraph.text = '#' * level + ' ' + paragraph.text
1
2
3
4
5
6
7
8

2 首行缩进

  我们在读取docx信息时，首行缩进的单位支持Pt、Cm、Mm、Inches等，以五号字体为例 = 10.5pt = 3.70mm = 14px = 0.146inch，默认设置返回None。也就是说，paragraph.paragraph_format.first_line_indent的返回值时不固定的，那么我们认为只要满足返回值非空就进行首行缩进。
  Markdown中首行缩进可用的方法比较多，这里选用添加两个’ ’的方式。

    # 首行缩进
    # 首行缩进的单位支持Pt、Cm、Mm、Inches等，如果想要缩进几个字符，需要自己进行转换，因为不同字号字符占用的磅数是不同的
    #（五号字体 = 10.5pt = 3.70mm = 14px = 0.146inch）
    if paragraph.paragraph_format.first_line_indent != None:  # 判断段落是否使用首行缩进
        paragraph.text = ' ' * 2 + paragraph.text
1
2
3
4
5

3 完整代码

import pydoc
import docx                                                 #导入python-docx库

# 判断是否添加</font>，这里如果添加多个会导致TOC目录显示异常eg:1</font>.1 </font>标题</font>2</font>
def exist_font(run):
    if '</font>' in run.text:
        pass
    else:
        run.text = run.text + '</font>'

''' 
    Get_run_format(run)：     修改节段的格式信息
    input:                    实例化节段对象
'''
def Get_run_format(run):
    # TODO: 自定义添加你需要的节段格式转换
    # 判断文本是否加粗
    if run.font.bold == None:
        pass
    else:
        run.text = '<b>' + run.text + '</b>'

    # 判断文本是否为斜体
    if run.font.italic == None:
        pass
    else:
        run.text = '<i>' + run.text + '</i>'

    # 判断文本是否有下划线
    if run.font.underline == None:
        pass
    else:
        run.text = '<u>' + run.text + '</u>'

    # 判断文本是否添加删除线
    if run.font.strike == None:
        pass
    else:
        run.text = '<s>' + run.text + '</s>'

    # 设置文字颜色
    if run.font.color.rgb == None:
        pass
    else:
        exist_font(run)
        run.text = '<font color=#{}>'.format(run.font.color.rgb) + run.text

    # 判断字体是否高亮显示：
    if run.font.highlight_color == None:
        pass
    else:
        '''
        这里我尝试过了下面的语句，根据https://blog.csdn.net/ningmengshuxiawo/article/details/109112540介绍是可以更换成红色的
        <mark style="background:red" >这里是输入的文本</mark>
        但是我自己尝试的时候发现背景色并不能更换，这里就直接用黄色高亮标记
        '''
        run.text = '<mark>' + run.text + '</mark>'

    # 设置字体，默认为楷体
    if run.font.name == None:
        Is_Chi=False                               #判断run.text中是否有中文
        for i in range(len(run.text)):
            if '\u4e00' <= run.text[i] <= '\u9fff':# 中文字符串unicode范围\u4e001-\u9fff，设置为楷体
                Is_Chi = True
                break
            else:
                continue
        if Is_Chi == True:
            exist_font(run)
            run.text = '<font face="楷体">' + run.text
        else:  # 数字&英文设置为Times New Roman
            exist_font(run)
            run.text = '<font face="Times New Roman">' + run.text
    else:
        exist_font(run)
        run.text = '<font face={}>'.format(run.font.name) + run.text

    # 设置文字大小，默认为3
    if run.font.size == None or run.font.size == 152400:
        font_size = 3                                       #默认字体/4号字设置为3
    elif run.font.size < 152400:
        if run.font.size < 95250:
            font_size = 1                                   #比六号字小的设置为1
        else:
            font_size = 2                                   #介于六号字到4号字之间的设置为2
    else:
        if run.font.size == 177800:
            font_size = 4                                   #四号字置为4
        elif run.font.size < 203200:
            font_size = 5                                   #介于四号字到三号字之间的设置为5
        elif run.font.size < 279400:
            font_size = 6                                   #介于三号字到二号字之间的设置为6
        else:
            font_size = 7                                   #大于二号字之间的设置为7
    exist_font(run)
    run.text = '<font size={}>'.format(font_size) + run.text

'''
    Get_paragraph_format(paragraph)：     修改段落的格式信息
    input:                                实例化段落对象
'''
def Get_paragraph_format(paragraph):
    # TODO: 自定义添加你需要的段落格式转换

    # #行间距=行高-字体大小
    # if paragraph.paragraph_format.line_spacing!=None:
    #     for run in paragraph.runs:
    #         exist_font(run)
    #         run.text = '<font style="line-height:{};">'.format(paragraph.paragraph_format.line_spacing) + run.text
    # else:
    #     for run in paragraph.runs:
    #         exist_font(run)
    #         run.text = '<font style="line-height:1.0;">' + run.text

    # #段前间距
    # if paragraph.paragraph_format.space_before!=None:
    #     pass
    # else:
    #     pass

    # 读取段落标题 docx中最高支持9级标题，但Markdown最高只支持６级标题
    # paragraph.style.name 返回值“Heading 标题等级数字”
    if 'Heading' in paragraph.style.name:  # 判断段落是否为标题
        level = eval(paragraph.style.name[-1])
        for run in paragraph.runs:
            i = run.text.index('size=') + 5  # 查询标题中设置标题字号的文本位置
            run.text = run.text[:i] + '{}'.format(7 - level) + run.text[i + 1:]  # 1级标题文字大小为6
        paragraph.text = '#' * level + ' ' + paragraph.text

    # 首行缩进
    # 首行缩进的单位支持Pt、Cm、Mm、Inches等，如果想要缩进几个字符，需要自己进行转换，因为不同字号字符占用的磅数是不同的（五号字体 = 10.5pt = 3.70mm = 14px = 0.146inch）
    if paragraph.paragraph_format.first_line_indent != None:  # 判断段落是否使用首行缩进
        paragraph.text = '&#8195;' * 2 + paragraph.text



if __name__ == '__main__':
    doc = docx.Document(r'text.docx')  # 打开.docx文件
    for paragraph in doc.paragraphs:                         # 实例化文档中一个段落
        for run in paragraph.runs:                           # 实例化段落中一个节段
            Get_run_format(run)                              # 修改文字格式
        Get_paragraph_format(paragraph)                      # 修改段落格式
        print(paragraph.text)                                # 打印段落中的文本
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143

  接下来我们需要对常用组件“表格”进行转换啦，欢迎翻看我的下一篇《Python实现Word转为Markdown：CSDN新手发文窘境——表格篇》。
 
               赶紧点赞、收藏起来吧！不然下次就找不到了