當前位置：首頁 > 编程语言 > python >内容正文

python

用 Python 将微信热文转换成Word文档 | 神级操作

發布時間：2024/9/15 python 35 豆豆

生活随笔收集整理的這篇文章主要介紹了用 Python 将微信热文转换成Word文档 | 神级操作小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

不得不說微信公眾號已經成為了一個開放平臺，每天數以萬計的微信公眾號文章在這產生，我們關注一個微信公眾號每天便可以看到新的文章，我們同時也不知不覺的將好的文章分享到給朋友。

那么如何保存一個好的文章呢？普遍選擇收藏，然而在這里，我提供一個更巧妙的方法，直接轉換成word文檔保存在電腦里面。即便是以后文章404了，我們還可以看得到嘛。

1、微信熱文源代碼分析

一篇微信文章，url開頭一定是https://mp.weixin.qq.com/s/，后面跟著一長串字符串，比如qLjifoyinoVN5i5vjW0f7w。

查看網頁源代碼，我們發現

微信熱文的網頁源代碼很長，即便是上面的一個很簡短的文章，但我們要從中提取到我們想要的東西，比如

<h2id="activity-name">普京再次出面</h2>

妥妥的文章題目，我們要把它保存為word文檔，題目肯定少不了。

<div id="js_profile_qrcode"class="profile_container" style="display:none;"><div><strong>環球時報</strong><imgid="js_profile_qrcode_img" src="" alt=""><p><label>微信號</label><spanclass="profile_meta_value">hqsbwx</span></p><p><label>功能介紹</label><span>報道多元世界解讀復雜中國</span></p></div>

這里一下子就提示了這篇文章是那個微信號發布的，而且還有微信號的介紹，這也是我們需要的信息

這個就是正文的標簽了，這個標簽里面蘊含著正文，下面是正文的第一個標簽，我們將它格式化一下，如下

我們發現p套了很多層，但是實際上，這第一個標簽就這一句話是重點：“俄總統普京同納卡沖突雙方領導人舉行電話會談。”

下一個標簽也是p，但是涵蓋了好幾句話。我們發現了span標簽和strong標簽。而且出現了很多次rgb()，我們知道rgb是代表標簽內字體的顏色的。當然，strong是標簽內加粗咯。

另一個圖片標簽

這個是圖片的標簽，里面蘊含著很多重要的東西，比如，data-type="gif"，表明這是一個gif文件，src指向了圖片的地址，data-w="200"，代表圖片的寬度，這很重要。

格式化后的內容如下所示

標簽套標簽，讓人眼花繚亂。

不過，還是一步一步來吧。

2、設計代碼，步步分析

這一步我們需要開始編寫代碼了，python-docx是一個生成和處理docx的第三方庫，使用pip install python-docx 一鍵下載

需要用到的第三方庫有，python-docx，bs4（用于html解析處理）

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'}

編寫一個簡單的過濾函數，因為我們得到文章標題后，需要將文章標題中一些字符刪去，比如換行符，空格，以及{}？

/|\等字符，因為含有這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

假設微信url已經確定，在這里我們編寫一個類，這個類專門用來處理的。

class WX_doc():def __init__(self, url, path):self.img_num = 0self.doc = Document()self.doc.styles['Normal'].font.name = '微軟雅黑'self.doc.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), '微軟雅黑')self.url = urlself.path = path

self.img_num是針對img處理的，每處理一個img，self.img_num+=1，請注意，最好設置好文章的字體，因為python-docx默認字體顯示中文會比較難看……不信你可以去試試。當然也可以將字體設為宋體

url是指微信熱文的鏈接，path是Word文檔處理完后的保存路徑。

接下來是一個插入一個標題的方法。

注：

我們設單獨的def開頭的為函數，包含在class內的def開頭的為方法

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 = '微軟雅黑'r.font.color.rgb = RGBColor(0, 0, 0)r.font.size = Pt(size)r._element.rPr.rFonts.set(qn('w:eastAsia'), u'微軟雅黑')

將標題插入后，設置為居中，顏色黑色，大小默認13，字體微軟雅黑。

2、巧妙處理標簽

對于正文來講，標簽套標簽讓人眼花繚亂，然而我們如何處理正文中的文字，圖像甚至表格呢？

，對于標簽套標簽，我設計的思路是：

用對應的標簽方法處理標簽

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"})

這樣一處理，bs就是整篇微信文章的BeautifulSoup結構的html，這樣處理就方便的多。

對于標題和發布者的，我們放到后面處理，現在要考慮正文的處理，wb就是正文的bs結構。

如何編寫標簽函數？我假定只關注字體的顏色和加粗，其余字體大小不考慮（這樣的話保存的文章樣式是一致的），使用RGB代表顏色，比如RGB=(0,0,0)就是純黑了，bold代表加粗，bold=True就是加粗。

<p>標簽

p代表段落，p標簽內的文字會形成一個段。對應doc中的add_paragraph方法，接下來我們編寫WX_doc的第一個標簽處理方法。默認字體顏色黑色，不加粗。

def para(self, label):p = self.doc.add_paragraph('')for i in label:self.transit(i,p, (0, 0, 0), False)

這樣就完了，主要操作就是，將p中每一個標簽拿出來，交給transit函數處理，transit會針對相應的標簽交給相應的標簽方法。

但是如果出現這樣的情況，p內含p，就像p一樣一層套一層，那么需要另一個p處理方法

def para2(self,label,p,RGB,bold):"解決p內含p的情況"for i in label:self.transit(i,p, RGB, bold)

對于后面的標簽處理方法，我們規定，需4個參數，第一個BeautifulSoup結構的標簽label，第二個，所屬的段落p，為doc.add_paragraph方法返回的段落p，第三個和第四個為RGB和bold。

<span>標簽

Span標簽出險率極高，基本上每段文字都會出現，我們假定span中的style設定文字的顏色。

比如這一段span

<spanstyle="letter-spacing: 1px;font-size: 16px;font-family: helvetica;color: rgb(123,12, 0);"><strong>普京與兩國領導人討論了本月9日三方簽訂的停火協議落實問題。各方對當前沖突接觸線的平靜局勢感到滿意。</strong></span>

多次觀察后，編寫的處理方法如下

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)

當BeautifulSoup結構下的標簽結構為None時，它就是一段純文字

Text 純文字處理

處理純文字用的方法，需要注意的是，要將文字中的換行符刪去。

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>標簽

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)

<p>標簽

Section常常會出現套疊的情況，即便是里面有字體顏色大小的指示，我還是以span指示的顏色為準。那么如何正確處理p便是一個難題。

<pstyle="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;">俄總統網站聲明截圖</span></p>

上面的p中出現了span，所以思路來了，遍歷p中的標簽，如果出現span和stong，直接按段落處理

def p(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=='p':self.p(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('p中：%s:%s'%(i.name,str(i)))

最后else表示沒有這個標簽的處理函數，就提示這個標簽的位置，以及名稱，所含內容

<img>標簽

我們知道img標簽是圖像，一篇文章加上圖像可謂畫龍點睛，現在很少出現沒有圖的文章了，正所謂有圖有真相。

以下面兩個圖像為例

我們發現data-w是設定圖片的寬度，當圖片過大的時候，需要將圖片寬度設定好。Img處理函數如下

def img(self, label):src = label.attrs['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:# 標簽太小，直接忽略print('忽略太小圖片%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("圖片%d打入成功!" % (self.img_num - 1))

transit方法

最后我們編寫transit方法

def transit(self, label, p, RGB, bold):"本函數提供label的中轉方案其中br由中轉方案解決"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=='p':self.p(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函數要處理一個標簽，如果已經編寫好了這個標簽方法，那么將這個標簽交給對應的標簽方法處理，如果沒有，就提示這個標簽的位置，以及名稱，所含內容

main 核心處理

最后我們當然是處理并且轉換成文檔啦，加入文章標題，發布者，和內容，直接發完整代碼吧，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=='p':self.p(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('文檔保存成功！保存路徑：%s'%wz_pa)self.ok=Falseprint(wz_pa)

3、實戰測試

運行后輸入微信url，結果如下：

保存下來的Word文檔如下：

4、其他標簽的處理說明

剛剛我們僅僅是編寫了p，span，p，strong等標簽，就可以對付一個簡單的文章，但是實際上還有其他的標簽，僅僅是這篇文章沒出現而已。所以為了讓這程序越來越好，我們需要添加一些標簽處理的方法。

<blockquote>標簽

Blockquote代表著引用，比如文章引用的哪句話，抄了哪些文獻的句子，都用這個標簽。為了和正文區別，我將字體大小設置為9默認顏色(100,100,100)

def blockquote(self, label):"定義一個摘自另一個源的塊引用"p = self.doc.add_paragraph('')p.style.font.size = Pt(9)for i in label:self.transit(i,p,(100,100,100),False)

<iframe>標簽

iframe標簽出現代表著這篇微信熱文嵌入了一個視頻。

def iframe(self, label, p):t = '\n' + '*' * 20 + '\n一個視頻\n鏈接是：%s\n' % label.attrs['src'] + '*' * 20 + '\n'r = p.add_run(t)r.font.size = Pt(10)print('發現一個視頻，文檔只能留下鏈接')

<ul>和<ol>標簽

出現ul和ol是列舉，比如列舉1.…… 2.……，有兩套方法，如果ul和ol是在<p>標簽內，那么需要將它寫在這個段落里面，使用ul，如果單獨出現，使用ul2。

def ul(self, label, p):"零個或更多個 <li> 元素，可以混合使用 <ol> 與<ul> 元素。"lis = label.findAll('li')for i in lis:t = i.textr = p.add_run(" ★ %s\n" % t)r.font.size = Pt(9)def ul2(self, label):p = self.doc.add_paragraph()lis = label.findAll('li')for i in lis:t = i.textr = p.add_run("● %s\n" % t)r.font.size = Pt(9)

<a>標簽

<a>是鏈接，如果微信文章出現鏈接，轉換為Word文檔需要特殊一下，加上下劃線，附上鏈接的url

def link(self, label, p, RGB, bold):"就是標簽a"r = p.add_run(label.text)r.font.underline = Truer.font.color.rgb = RGBColor(0,0,139)r.font.bold = boldhref=label.attrs['href']r=p.add_run("(%s)"%href)r.font.color.rgb = RGBColor(135,206,250)r.font.size=Pt(9)r.font.underline = True

<table>標簽

Table是表格，當出現這個的時候，就需要添加表格啦，這個方法只適合整齊的表格，有合并的無效

def table(self, label):"只適合整齊的表格，對于不整齊的（就是有合并）無效"pave = {'color': (0, 0, 0), 'bold': False}tr = label.findAll('tr')td = label.findAll('td')row = len(tr)col = len(td) // len(tr)if len(td) % len(tr) != 0:col += 1del tdtab = self.doc.add_table(rows=row, cols=col, style='Table Grid')for i in range(row):tdlb = tr[i].findAll('td')for j in range(col):td = tdlb[j]dqcell = tab.cell(i, j)p = dqcell.paragraphs[0]for nr in td:if nr.name == 'p':for nrr in nr:self.transit(nrr, p, (0, 0, 0), False)else:self.transit(nr, p, (0, 0, 0), False)

<pre>和<code>標簽

Pre標簽和code經常出現在一起，如果pre內含code，那么就是代碼行了，交給code函數，如果pre單獨出現，直接按照段落處理。Code處理，就是將文字，啊不是，是將代碼框入到一個表格中，文字大小9，以示區別。

def pre(self,label):"pre分兩種情況考慮，內嵌代碼行和普通pre"code = label.findAll('code')if code:for i in code:self.code(i)else:self.para(label)def code(self, label):"特殊標簽，用于代碼行"RGB = (0, 0, 0)bold = Falsetab = self.doc.add_table(rows=1, cols=1, style='Table Grid')p = tab.cell(0, 0).paragraphs[0]p.style.font.size = Pt(10)for i in label:if i.name == 'br':p.add_run('\n')elif i.name == 'span':self.span(i, p, RGB, bold)elif i.name == None:p.add_run(str(i))

加上了其他標簽處理方法，那么我們需要將p、transit和main主函數修改一下了，加上對應的標簽處理語句。

5、總結

1.? 對于圖像，gif動圖導入Word文檔后不會播放

2.? 標簽分類如下

核心標簽：<p>，<strong>，<p>，<img>，<span>，<h1>,<h2>,<h3>……(這些標簽可以用head方法處理)

其他標簽：<blockquote>，<iframe>，<ul>和<ol>，<a>，<table>，<pre>，<code>……

忽略標簽：<br>，<hr>，<mpcpc>（微信廣告投放點），<center>，<svg>

3.? 編寫其他標簽函數，如果你覺得新的標簽方法需要增加，只需要加入新的標簽方法，并且在transit和p以及main中加入它即可

4.? 個性化設置你覺得合理的標簽方法，只需改動標簽方法源代碼即可

往期推薦：收藏 | 49 個 Python 學習資源我都逛哪些技術網站？（程序員必備58個網站匯總）肝！精心整理了 50 個數據源網站！

總結

以上是生活随笔為你收集整理的用 Python 将微信热文转换成Word文档 | 神级操作的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇：如何使用 sklearn 优雅地进行数据
下一篇：一张截图，告诉你字节跳动的 Java 开