Python语言之用Python将微信热文转换成Word文档-职坐标

Python语言之用Python将微信热文转换成Word文档

小职 2020-11-27 来源：阅读 393 评论 0

摘要：本篇介绍了Python语言学习中，我们可以用Python将微信文章转换成Word文档来方便保存，希望这个Python实用小技巧可以对Python的学习有所帮助。

本篇介绍了Python语言学习中，我们可以用Python将微信文章转换成Word文档来方便保存，希望这个Python实用小技巧可以对Python的学习有所帮助。

Python语言之用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

Python语言之用Python将微信热文转换成Word文档

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

Python语言之用Python将微信热文转换成Word文档

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

<h2idh2id="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>

<imgidimgid="js_profile_qrcode_img" src="" alt="">

<p>

<spanclassspanclass="profile_meta_value">hqsbwx</span></p>

<p>

<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

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

Python语言之用Python将微信热文转换成Word文档

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。”

Python语言之用Python将微信热文转换成Word文档

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。

另一个图片标签

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，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

Python语言之用Python将微信热文转换成Word文档

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 join

qingqiu={'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 = 0

self.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 = url

self.path = path

self.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.CENTER

r = 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()

bbb = 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

<spanstylespanstyle="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)

ii=i.replace('\n','')

r = p.add_run(i)

r.font.bold = bold

r.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。

<sectionstylesectionstyle="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;">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 0

elif 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']:

pass

elif 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

<imgdata-ratioimgdata-ratio="1.345"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['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 += 1

a = urlopen(src)

b = a.read()

path = io.BytesIO(b)

if da_s:

num = re.findall('\d+', da_s)

h = int(num[0]) // 75

w = int(num[1]) // 75

if 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']:

pass

elif 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.text

if len(t) < 2:

return 0

r = p.add_run(t)

r.font.bold = bold

r.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()

bbb = 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"})

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']:

pass

elif 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=False

print(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：

4、其他标签的处理说明

刚刚我们仅仅是编写了section，span，p，strong等标签，就可以对付一个简单的文章，但是实际上还有其他的标签，仅仅是这篇文章没出现而已。所以为了让这程序越来越好，我们需要添加一些标签处理的方法。

<blockquote>标签

Blockquote代表着引用，比如文章引用的哪句话，抄了哪些文献的句子，都用这个标签。为了和正文区别，我将字体大小设置为9默认颜色(100,100,100)

def blockquote(self, label):

"定义一个摘自另一个源的块引用"

p = self.doc.add_paragraph('')

p.style.font.size = Pt(9)

for i in label:

self.transit(i,p,(100,100,100),False)

<iframe>标签

iframe标签出现代表着这篇微信热文嵌入了一个视频。

def iframe(self, label, p):

t = '\n' + '*' * 20 + '\n一个视频\n链接是：%s\n' % label.attrs['src'] + '*' * 20 + '\n'

r = p.add_run(t)

r.font.size = Pt(10)

print('发现一个视频，文档只能留下链接')

<ul>和<ol>标签

出现ul和ol是列举，比如列举1.…… 2.……，有两套方法，如果ul和ol是在<p>标签内，那么需要将它写在这个段落里面，使用ul，如果单独出现，使用ul2。

def ul(self, label, p):

"零个或更多个 <li> 元素，可以混合使用 <ol> 与<ul> 元素。"

lis = label.findAll('li')

for i in lis:

t = i.text

r = 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.text

r = p.add_run("● %s\n" % t)

r.font.size = Pt(9)

<a>标签

<a>是链接，如果微信文章出现链接，转换为Word文档需要特殊一下，加上下划线，附上链接的url

def link(self, label, p, RGB, bold):

"就是标签a"

r = p.add_run(label.text)

r.font.underline = True

r.font.color.rgb = RGBColor(0,0,139)

r.font.bold = bold

href=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>标签

Table是表格，当出现这个的时候，就需要添加表格啦，这个方法只适合整齐的表格，有合并的无效

def table(self, label):

"只适合整齐的表格，对于不整齐的（就是有合并）无效"

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 += 1

del td

tab = self.doc.add_table(rowrows=row, colcols=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>标签

Pre标签和code经常出现在一起，如果pre内含code，那么就是代码行了，交给code函数，如果pre单独出现，直接按照段落处理。Code处理，就是将文字，啊不是，是将代码框入到一个表格中，文字大小9，以示区别。

def pre(self,label):

"pre分两种情况考虑，内嵌代码行和普通pre"

code = label.findAll('code')

if code:

for i in code:

self.code(i)

else:

self.para(label)

def code(self, label):

"特殊标签，用于代码行"

RGB = (0, 0, 0)

bold = False

tab = 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))

加上了其他标签处理方法，那么我们需要将section、transit和main主函数修改一下了，加上对应的标签处理语句。

5、总结

1. 对于图像，gif动图导入Word文档后不会播放

2. 标签分类如下

核心标签：<p>，<strong>，<section>，<img>，<span>，<h1>,<h2>,<h3>……(这些标签可以用head方法处理)

其他标签：<blockquote>，<iframe>，<ul>和<ol>，<a>，<table>，<pre>，<code>……

忽略标签：<br>，<hr>，<mpcpc>（微信广告投放点），<center>，<svg>

3. 编写其他标签函数，如果你觉得新的标签方法需要增加，只需要加入新的标签方法，并且在transit和section以及main中加入它即可

4. 个性化设置你觉得合理的标签方法，只需改动标签方法源代码即可

关注“职坐标在线”（Zhizuobiao_Online）公众号，免费获取源码资料、技术就业咨询。

Python语言之用Python将微信热文转换成Word文档

python编程入门与实践 python编程实战 python编程语言

本文由 @小职发布于职坐标。未经许可，禁止转载。

喜欢 | 0

不喜欢 | 0

看完这篇文章有何感觉？已经有0人表态，0%的人喜欢快给朋友分享吧~

后参与评论

加入IT交流圈

JAVA工程师交流群 +加入

大数据架构师交流群 +加入

人工智能Python交流群 +加入

WEB/H5前端交流群 +加入

编程语言 直通车

索取资料
答疑解惑
技术交流
职业测评
面试技巧
高薪秘笈

海同师资推荐更多>>

黄骈联系TA

认证System Analyst，System Architect

程光淼联系TA

精通C、C++等语言、智能芯片开发

热门就业培训班更多>>

【零基础】人工智能+Python全栈开发课程

Python30天热搜词更多>>