神级操作丨用 Python 将微信热文转换成Word文档
不得不说微信公众号已经成为了一个开放平台，每天数以万计的微信公众号文章在这产生，我们关注一个微信公众号每天便可以看到新的文章，我们同时也不知不觉的将好的文章分享到给朋友。
那么如何保存一个好的文章呢？普遍选择收藏，然而在这里，我提供一个更巧妙的方法，直接转换成word文档保存在电脑里面。即便是以后文章404了，我们还可以看得到嘛。
1、微信热文源代码分析
一篇微信文章，url开头一定是https://mp.weixin.qq.com/s/，后面跟着一长串字符串，比如qLjifoyinoVN5i5vjW0f7w。
查看网页源代码，我们发现
很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！
QQ群：1156465813
微信热文的网页源代码很长，即便是上面的一个很简短的文章，但我们要从中提取到我们想要的东西，比如
<h2id="activity-name">普京再次出面</h2>妥妥的文章题目，我们要把它保存为word文档，题目肯定少不了。
<div id="js_profile_qrcode"class="profile_container" style="display:none;"><div><strong>环球时报</strong><imgid="js_profile_qrcode_img" src="" alt=""><p><label>微信号</label><spanclass="profile_meta_value">hqsbwx</span></p><p><label>功能介绍</label><span>报道多元世界 解读复杂中国</span></p></div>这里一下子就提示了这篇文章是那个微信号发布的，而且还有微信号的介绍，这也是我们需要的信息
<div id="js_content" style="visibility: hidden;">这个就是正文的标签了，这个标签里面蕴含着正文，下面是正文的第一个标签，我们将它格式化一下，如下
我们发现section套了很多层，但是实际上，这第一个标签就这一句话是重点：“俄总统普京同纳卡冲突双方领导人举行电话会谈。”
下一个标签也是section，但是涵盖了好几句话。我们发现了span标签和strong标签。而且出现了很多次rgb()，我们知道rgb是代表标签内字体的颜色的。当然，strong是标签内加粗咯。
<img data-ratio="0.7717391304347826" data-s="300,640"data-type="jpeg" data-w="828" data-backw="578"data-backh="446" data-src="https://mmbiz.qpic.cn/mmbiz_jpg/qkQTRn2Z9NwC8nNHScsBAFeOFtHHb95ftWKOZve0QJMqJPFtoicdYO8uTWom8fBdG07icCKDo0FoyNjHUyoBibI2g/640?wx_fmt=jpeg"style="text-align: center;width: 660.994px;box-sizing: border-box!important;visibility: visible !important;" />另一个图片标签
<img data-ratio="1.345"data-src="https://mmbiz.qpic.cn/mmbiz_gif/wlCrBZoK8HF5AE2ibhItnFJgoIQBcJhTzO438azQniaRJRYNFk0CzlORnm0g1hG7HX3bhXAIC1J4E2XGb1WKA4qA/640?wx_fmt=gif"data-type="gif" data-w="200" style="vertical-align:middle;box-sizing: border-box;" />这个是图片的标签，里面蕴含着很多重要的东西，比如，data-type="gif"，表明这是一个gif文件，data-src指向了图片的地址，data-w="200"，代表图片的宽度，这很重要。
格式化后的内容如下所示
标签套标签，让人眼花缭乱。
不过，还是一步一步来吧。
2、设计代码，步步分析
这一步我们需要开始编写代码了，python-docx是一个生成和处理docx的第三方库，使用pip install python-docx 一键下载
需要用到的第三方库有，python-docx，bs4（用于html解析处理）
from docx import Document
from docx.oxml.ns import qn
import re
from docx.shared import RGBColor,Inches,Pt
from urllib.request import urlopen,Request
from bs4 import BeautifulSoup
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
import io
from os.path import joinqingqiu={'User-Agent':"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",'Accept':'text/plain, text/html'}编写一个简单的过滤函数，因为我们得到文章标题后，需要将文章标题中一些字符删去，比如换行符，空格，以及{}？
/|\等字符，因为含有这些字符的字符串不能做文件名
def guolv(text):t = re.sub('\s', '', text)t = re.sub('[?<>()[\]{}|]', '：', t)return t假设微信url已经确定，在这里我们编写一个类，这个类专门用来处理的。
class WX_doc():def __init__(self, url, path):self.img_num = 0self.doc = Document()self.doc.styles['Normal'].font.name = '微软雅黑'self.doc.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), '微软雅黑')self.url = urlself.path = pathself.img_num是针对img处理的，每处理一个img，self.img_num+=1，请注意，最好设置好文章的字体，因为python-docx默认字体显示中文会比较难看……不信你可以去试试。当然也可以将字体设为宋体
url是指微信热文的链接，path是Word文档处理完后的保存路径。
接下来是一个插入一个标题的方法。
注：
我们设单独的def开头的为函数，包含在class内的def开头的为方法
def head(self, title, lv=3, size=13):p = self.doc.add_heading('', lv)p.paragraph_format.alignment = WD_PARAGRAPH_ALIGNMENT.CENTERr = p.add_run(title)r.font.name = '微软雅黑'r.font.color.rgb = RGBColor(0, 0, 0)r.font.size = Pt(size)r._element.rPr.rFonts.set(qn('w:eastAsia'), u'微软雅黑')将标题插入后，设置为居中，颜色黑色，大小默认13，字体微软雅黑。
2、巧妙处理标签
对于正文来讲，标签套标签让人眼花缭乱，然而我们如何处理正文中的文字，图像甚至表格呢？
，对于标签套标签，我设计的思路是：
用对应的标签方法处理标签
hd = Request(self.url, headers=qingqiu)
a = urlopen(hd)
b = a.read()
bb = b.decode('UTF-8')
bs = BeautifulSoup(bb, 'lxml')
h2 = bs.find('h2', {'class': "rich_media_title"})
title = guolv(h2.text)
self.head(title, 2, 18)pingtai = bs.find('strong', {'class': "profile_nickname"})
PMV=bs.findAll('span',{'class':'profile_meta_value'})
p = self.doc.add_paragraph()
r = p.add_run('%s' % pingtai.text)
r.font.bold = True
r.font.color.rgb = RGBColor(0, 191, 255)
r.font.size = Pt(12)
r=p.add_run('(%s: %s)'%(PMV[0].text,PMV[1].text))
r.font.size = Pt(9)wb = bs.find('div', {'class': "rich_media_content"})这样一处理，bs就是整篇微信文章的BeautifulSoup结构的html，这样处理就方便的多。
对于标题和发布者的，我们放到后面处理，现在要考虑正文的处理，wb就是正文的bs结构。
如何编写标签函数？我假定只关注字体的颜色和加粗，其余字体大小不考虑（这样的话保存的文章样式是一致的），使用RGB代表颜色，比如RGB=(0,0,0)就是纯黑了，bold代表加粗，bold=True就是加粗。
<p>标签
p代表段落，p标签内的文字会形成一个段。对应doc中的add_paragraph方法，接下来我们编写WX_doc的第一个标签处理方法。默认字体颜色黑色，不加粗。
def para(self, label):p = self.doc.add_paragraph('')for i in label:self.transit(i,p, (0, 0, 0), False)这样就完了，主要操作就是，将p中每一个标签拿出来，交给transit函数处理，transit会针对相应的标签交给相应的标签方法。
但是如果出现这样的情况，p内含p，就像section一样一层套一层，那么需要另一个p处理方法
def para2(self,label,p,RGB,bold):"解决p内含p的情况"for i in label:self.transit(i,p, RGB, bold)对于后面的标签处理方法，我们规定，需4个参数，第一个BeautifulSoup结构的标签label，第二个，所属的段落p，为doc.add_paragraph方法返回的段落p，第三个和第四个为RGB和bold。
<span>标签
Span标签出险率极高，基本上每段文字都会出现，我们假定span中的style设定文字的颜色。
比如这一段span
<spanstyle="letter-spacing: 1px;font-size: 16px;font-family: helvetica;color: rgb(123,12, 0);"><strong>普京与两国领导人讨论了本月9日三方签订的停火协议落实问题。各方对当前冲突接触线的平静局势感到满意。</strong></span>多次观察后，编写的处理方法如下
def span(self, label, p, RGB, bold):attr = label.attrs.get('style')if attr:ys = re.findall('(?<=rgb\()[\s\S]+?(?=\))', attr)else:ys=[]if ys:rgb = re.findall('\d+', ys[0])r = int(rgb[0])g = int(rgb[1])b = int(rgb[2])RGB = (r, g, b)for i in label:if i.name == None:self.text(i,p, RGB, bold)elif i.name == "strong":self.strong(i,p, RGB, bold)else:self.transit(i,p, RGB, bold)
当BeautifulSoup结构下的标签结构为None时，它就是一段纯文字
Text 纯文字处理
处理纯文字用的方法，需要注意的是，要将文字中的换行符删去。
def text(self, i, p, RGB, bold):i=str(i)i=i.replace('\n','')r = p.add_run(i)r.font.bold = boldr.font.color.rgb = RGBColor(RGB[0], RGB[1], RGB[2])
<strong>标签
Strong就是加粗
def strong(self, label, p, RGB, bold):for i in label:if i.name == None:self.text(i,p, RGB, True)elif i.name == 'span':self.span(i,p, RGB, True)
<section>标签
Section常常会出现套叠的情况，即便是里面有字体颜色大小的指示，我还是以span指示的颜色为准。那么如何正确处理section便是一个难题。
<sectionstyle="font-family: -apple-system-font, BlinkMacSystemFont, "HelveticaNeue", "PingFang SC", "Hiragino SansGB", "Microsoft YaHei UI", "MicrosoftYaHei", Arial, sans-serif;letter-spacing: 0.544px;white-space:normal;background-color: rgb(255, 255, 255);line-height: 1.5em;margin-left:0px;margin-right: 0px;"><span style="color: rgb(136,136, 136);font-family: helvetica;font-size: 14px;font-weight:700;letter-spacing: 1px;text-align: left;text-indent: 28px;widows: 1;">▲</span><span style="color: rgb(136,136, 136);font-family: helvetica;font-size: 14px;font-weight:700;letter-spacing: 1px;text-align: left;text-indent: 28px;widows: 1;">俄总统网站声明截图</span></section>上面的section中出现了span，所以思路来了，遍历section中的标签，如果出现span和stong，直接按段落处理
def section(self,label):for i in label:if i.name=='p':self.para(i)elif i.name in ['span','strong']:self.para(label)return 0elif i.name=='section':self.section(i)elif i.name in ['ul','ol']:self.ul2(i)elif i.name=='img':self.img(i)elif i.name in ['br','svg','center']:passelif i.name=='blockquote':self.blockquote(i)elif i.name=='pre':self.pre(label)else:print('section中：%s:%s'%(i.name,str(i)))最后else表示没有这个标签的处理函数，就提示这个标签的位置，以及名称，所含内容
<img>标签
我们知道img标签是图像，一篇文章加上图像可谓画龙点睛，现在很少出现没有图的文章了，正所谓有图有真相。
以下面两个图像为例
<img data-ratio="0.7717391304347826"data-s="300,640" data-type="jpeg" data-w="828"data-backw="578" data-backh="446"data-src="https://mmbiz.qpic.cn/mmbiz_jpg/qkQTRn2Z9NwC8nNHScsBAFeOFtHHb95ftWKOZve0QJMqJPFtoicdYO8uTWom8fBdG07icCKDo0FoyNjHUyoBibI2g/640?wx_fmt=jpeg"style="text-align: center;width: 660.994px;box-sizing: border-box!important;visibility: visible !important;" />
<imgdata-ratio="1.345"data-src="https://mmbiz.qpic.cn/mmbiz_gif/wlCrBZoK8HF5AE2ibhItnFJgoIQBcJhTzO438azQniaRJRYNFk0CzlORnm0g1hG7HX3bhXAIC1J4E2XGb1WKA4qA/640?wx_fmt=gif"data-type="gif" data-w="200" style="vertical-align:middle;box-sizing: border-box;" />我们发现data-w是设定图片的宽度，当图片过大的时候，需要将图片宽度设定好。Img处理函数如下
def img(self, label):src = label.attrs['data-src']da_s = label.attrs.get('data-s')data_type = label.attrs.get('data-type')data_w = label.attrs.get('data-w')self.img_num += 1a = urlopen(src)b = a.read()path = io.BytesIO(b)if da_s:num = re.findall('\d+', da_s)h = int(num[0]) // 75w = int(num[1]) // 75if w > 6:self.doc.add_picture(path, width=Inches(6))else:self.doc.add_picture(path, width=Inches(w), height=Inches(h))elif data_w:data_w = int(data_w)if data_w < 75:# 标签太小，直接忽略print('忽略太小图片%d.%s' % (self.img_num, data_type))elif data_w > 450:self.doc.add_picture(path, width=Inches(6))else:self.doc.add_picture(path, width=Inches(data_w / 75))else:self.doc.add_picture(path, width=Inches(6))print("图片%d打入成功!" % (self.img_num - 1))transit方法
最后我们编写transit方法
def transit(self, label, p, RGB, bold):"本函数提供label的中转方案 其中br由中转方案解决"if label.name == 'span':self.span(label, p,RGB,bold)elif label.name == None:self.text(label, p,RGB,bold)elif label.name in ['strong','em']:self.strong(label, p,RGB,bold)elif label.name=='section':self.section(label)elif label.name =='p':self.para2(label,p,RGB,bold)elif label.name == 'img':self.img(label)elif label.name in ['br','svg','mpcpc','center']:passelif label.name == 'a':self.link(label, p,RGB,bold)elif label.name == 'iframe':self.iframe(label, p)elif label.name == 'blockquote':self.blockquote(label)elif label.name == 'ul':self.ul(label, p)elif label.name=='pre':self.pre(label)else:print('p中:%s %s'%(str(label.name),str(label.text)))t = label.textif len(t) < 2:return 0r = p.add_run(t)r.font.bold = boldr.font.color.rgb = RGBColor(RGB[0], RGB[1], RGB[2])transit函数要处理一个标签，如果已经编写好了这个标签方法，那么将这个标签交给对应的标签方法处理，如果没有，就提示这个标签的位置，以及名称，所含内容
main 核心处理
最后我们当然是处理并且转换成文档啦，加入文章标题，发布者，和内容，直接发完整代码吧，如下：
def main(self) -> None:hd = Request(self.url, headers=qingqiu)a = urlopen(hd)b = a.read()bb = b.decode('UTF-8')bs = BeautifulSoup(bb, 'lxml')h2 = bs.find('h2', {'class': "rich_media_title"})title = guolv(h2.text)self.head(title, 2, 18)pingtai = bs.find('strong', {'class': "profile_nickname"})PMV=bs.findAll('span',{'class':'profile_meta_value'})p = self.doc.add_paragraph()r = p.add_run('%s' % pingtai.text)r.font.bold = Truer.font.color.rgb = RGBColor(0, 191, 255)r.font.size = Pt(12)r=p.add_run('(%s: %s)'%(PMV[0].text,PMV[1].text))r.font.size = Pt(9)wb = bs.find('div', {'class': "rich_media_content"})for i in wb:if i.name =='p':self.para(i)elif i.name=='section':self.section(i)elif i.name == 'blockquote':self.blockquote(i)elif i.name == 'table':self.table(i)elif i.name in[None,'center','hr']:passelif i.name in ['h1', 'h2', 'h3','h4']:self.head(i.text, int(i.name[1]) + 1)elif i.name in ['ul','ol']:self.ul2(i)elif i.name == 'pre':self.pre(i)else:print("%s"%str(i))self.save_docx(title)wz_pa=join(self.path,title+'.docx')print('文档保存成功！保存路径：%s'%wz_pa)self.ok=Falseprint(wz_pa)
3、实战测试
运行后输入微信url，结果如下：
保存下来的Word文档如下：
神级操作丨用 Python 将微信热文转换成Word文档相关推荐
- 用 Python 将微信热文转换成Word文档 | 神级操作
不得不说微信公众号已经成为了一个开放平台,每天数以万计的微信公众号文章在这产生,我们关注一个微信公众号每天便可以看到新的文章,我们同时也不知不觉的将好的文章分享到给朋友. 那么如何保存一个好的文章呢? ...
- [Work Summary] Python将PDF转换成Word文档
美图欣赏2022/08/21 在我们平时的工作和日常生活中,有时候需要将PDF文件转换成Word文件.为此,决定使用Python自己实现将PDF转换成Word文档的功能需求 编写如下程序代码(pdf2 ...
- 扫描PDF转换成word文档如何操作
扫描PDF文件转换成word文档如何进行操作呢?作为一般的PDF文件介于它的文件大小都不够大,普通的转换功能都能进行操作,文件过大的话就需要用到扫描PDF转word这种操作,那么关于它的操作是怎样的呢 ...
- 怎么将图片转换成Word文档？手机也能轻松操作怕转
相较于文档,图片在我们日常生活中使用的频率还是非常高的,不管使用表情包图片还是各种资料截图,可以快速更直观的查阅各种信息内容.但是如果一些图片格式的资料如果需要将内容总结到一个Word文档中,且图片通 ...
- 如何用Python批量将Pdf文档转换成Word文档？
目录 一.前言 二.问题或需求 三.前提条件或注意事项 四.代码设计思路 五.具体执行代码 六.效果观察 七.声明及致谢 八.快捷方式 一.前言 一般情况,WPS系列office软件付费会员都有Pdf ...
- word文档怎么一分为二_微信文章怎么转成word文档，这个强大工具可以帮你搞定...
现在每个人微信里都会订阅自己喜欢的公众号,小编也是这样,初略统计下,微信里关注的公众号不下60个,工作的.生活的.新闻资讯.娱乐八卦.美容养生等等,太多太多了. 这些公众号每天都会推送许多内容精致的文 ...
- CAJ论文免费转换成word文档？如何操作
小伙伴们在写论文的时候,都会需要参考专业的学术论文,我们去网上下载下来的一般都是caj格式的,caj需要专门的软件打开并且也不方便修改,遇到这种情况应该怎么解决呢?小伙伴们不妨可以把caj文件转换成w ...
- 使用python在实现图片（包括扫描件的图片类pdf）转换成word文档过程中的常见问题
pdf有两类,一类是别人用word转pdf,你想转过来那种,带有光标那种,计算机能轻松识别,转换相对简单很多.第二类,即图片类pdf,也就是平常工作中看到的各种扫描件,它的识别相对要复杂一些,但又常常 ...
- C# : 操作Word文件的API - (将C# source中的xml注释转换成word文档)
这篇博客将要讨论的是关于: 如何从C#的source以及注释, 生成一份Word格式的关于各个类,函数以及成员变量的说明文档. 他的大背景如下...... 最近的一个项目使用C#, 分N个模块, 在项 ...
最新文章
- 硅片行业：过剩背景下的寡头市场
- 使用Minify合并css和js减少http请求
- c语言中合法的字符型常量是,C语言习题库(带答案)-排版.doc
- lstm需要优化的参数_使用PyTorch手写代码从头构建LSTM，更深入的理解其工作原理...
- CentOS学习笔记--程序管理
- Java中的HashSet
- Linux中Oracle的sqlplus下退格和Del键无效的问题解决
- 从0开始架构一个IOS程序 ——04— UITabBarController和自定义TabBar 搭建主页面
- [转载]监控 Linux 性能的 18 个命令行工具
- 直播丨云原生数据库PolarDB年度发布
- 【方法】如何限定IP访问Oracle数据库
- vb.net中递归退到最外层_面试题被问到再也不慌，深究JavaScript中的深拷贝与浅拷贝...
- MTK平台TP驱动框架分析
- 插件开发之360 DroidPlugin源码分析（一）初识
- 20190830每日一句
- tomcat10.0安装及配置教程(win10)
- 指数平滑法——趋势平滑预测方法
- 总结：86版五笔输入法
- 趋势杀毒软件注意事项
- “动力电池第三极“中创新航IPO，能否“复刻“宁德时代？