DOCX zu HTML Konvertierung

Um eine DOCX-Datei in HTML (oder Markdown) mit Python ohne Verlust von Formatierungen und Bildern zu konvertieren, ohne auf externe Anwendungen wie Word oder LibreOffice zurückgreifen zu müssen, empfehle ich die Nutzung der Mammoth-Bibliothek. Mammoth erzeugt sauberes, semantisches HTML, das sich gut für weitere Verarbeitungsschritte wie die Umwandlung in PDF oder das Durchführen von Suchen und Ersetzungen eignet.

Schritte zur Umsetzung mit Mammoth

1. Installation der benötigten Bibliotheken

Zuerst müssen Sie die notwendigen Python-Bibliotheken installieren:

bash
pip install mammoth Pillow

• mammoth: Zum Konvertieren von DOCX zu HTML oder Markdown.
• Pillow: Zum Verarbeiten von Bildern, die in der DOCX enthalten sind.

2. Konvertierung von DOCX zu HTML

Hier ist ein Beispielskript, das eine DOCX-Datei in sauberes HTML konvertiert und dabei Bilder behandelt:

python
import mammoth
import os
import base64

def convert_docx_to_html(docx_path, output_html_path, images_output_dir):
    # Stelle sicher, dass das Bilderverzeichnis existiert
    os.makedirs(images_output_dir, exist_ok=True)
    
    # Funktion zum Speichern der Bilder und Rückgabe des Pfads
    def image_handler(image):
        image_bytes = image.read()
        image_extension = image.content_type.split('/')[-1]
        image_name = f'image_{image.index}.{image_extension}'
        image_path = os.path.join(images_output_dir, image_name)
        
        with open(image_path, 'wb') as img_file:
            img_file.write(image_bytes)
        
        # Rückgabe des HTML-Image-Tags
        return {'src': os.path.relpath(image_path, os.path.dirname(output_html_path))}
    
    with open(docx_path, "rb") as docx_file:
        result = mammoth.convert_to_html(docx_file, 
                                         convert_image=mammoth.images.inline(image_handler))
        html = result.value  # Das konvertierte HTML
        messages = result.messages  # Warnungen und Hinweise
        
    # Optional: Nachrichten ausgeben
    for message in messages:
        print(message)
    
    # HTML speichern
    with open(output_html_path, "w", encoding="utf-8") as html_file:
        html_file.write(html)

# Beispielnutzung
docx_path = "beispiel.docx"
output_html_path = "beispiel.html"
images_output_dir = "bilder"

convert_docx_to_html(docx_path, output_html_path, images_output_dir)

Erläuterungen:

• image_handler: Diese Funktion verarbeitet eingebettete Bilder in der DOCX-Datei. Sie speichert die Bilder in einem angegebenen Verzeichnis und gibt den relativen Pfad zurück, der im HTML verwendet wird.
• mammoth.convert_to_html: Führt die eigentliche Konvertierung durch. Durch den convert_image-Parameter wird sichergestellt, dass Bilder korrekt behandelt werden.

3. Optionale Konvertierung zu Markdown

Falls Sie Markdown bevorzugen, können Sie Mammoth verwenden, um direkt in Markdown zu konvertieren:

python
def convert_docx_to_markdown(docx_path, output_md_path, images_output_dir):
    os.makedirs(images_output_dir, exist_ok=True)
    
    def image_handler(image):
        image_bytes = image.read()
        image_extension = image.content_type.split('/')[-1]
        image_name = f'image_{image.index}.{image_extension}'
        image_path = os.path.join(images_output_dir, image_name)
        
        with open(image_path, 'wb') as img_file:
            img_file.write(image_bytes)
        
        # Rückgabe des Markdown-Image-Tags
        return f'![{image.alt_text}]({os.path.relpath(image_path, os.path.dirname(output_md_path))})'
    
    with open(docx_path, "rb") as docx_file:
        result = mammoth.convert_to_markdown(docx_file, 
                                             convert_image=mammoth.images.inline(image_handler))
        markdown = result.value
        messages = result.messages
    
    for message in messages:
        print(message)
    
    with open(output_md_path, "w", encoding="utf-8") as md_file:
        md_file.write(markdown)

# Beispielnutzung
output_md_path = "beispiel.md"

convert_docx_to_markdown(docx_path, output_md_path, images_output_dir)

Hinweis: Die Konvertierung zu Markdown kann hilfreich sein, wenn Sie eine noch einfachere und sauberere Textstruktur benötigen. Allerdings unterstützt Markdown weniger komplexe Formatierungen im Vergleich zu HTML.

4. Weiterverarbeitung: Suchen und Ersetzen

Nachdem Sie die DOCX-Datei in HTML oder Markdown konvertiert haben, können Sie den resultierenden Text für Suchen und Ersetzen verwenden. Hier ein einfaches Beispiel mit HTML:

python
from bs4 import BeautifulSoup

def replace_values_in_html(html_path, replacements):
    with open(html_path, "r", encoding="utf-8") as file:
        soup = BeautifulSoup(file, "html.parser")
    
    html_str = str(soup)
    
    for key, value in replacements.items():
        html_str = html_str.replace(key, value)
    
    with open(html_path, "w", encoding="utf-8") as file:
        file.write(html_str)

# Beispielnutzung
replacements = {
    "{{Name}}": "Max Mustermann",
    "{{Datum}}": "2024-12-25"
}

replace_values_in_html(output_html_path, replacements)

Erläuterungen:

• BeautifulSoup: Wird verwendet, um das HTML zu parsen und zu bearbeiten. Sie können es auch nutzen, um spezifischere Ersetzungen durchzuführen, falls nötig.
• replacements: Ein Dictionary mit Platzhaltern als Schlüssel und den gewünschten Werten als Werte.

5. Umwandlung von HTML zu PDF

Nachdem Sie das HTML vorbereitet haben, können Sie es mit Bibliotheken wie WeasyPrint oder pdfkit in PDF umwandeln. Hier ein Beispiel mit WeasyPrint:

bash
pip install weasyprint

python
from weasyprint import HTML

def convert_html_to_pdf(html_path, pdf_path):
    HTML(html_path).write_pdf(pdf_path, stylesheets=['styles.css'])  # Optional: CSS einbinden

# Beispielnutzung
pdf_path = "beispiel.pdf"
convert_html_to_pdf(output_html_path, pdf_path)

Hinweis: Sie können eine separate CSS-Datei (styles.css) erstellen, um das Layout für das PDF zu optimieren, insbesondere für das A4-Format.

Zusammenfassung

1. DOCX zu HTML/Markdown konvertieren: Verwenden Sie Mammoth, um sauberes HTML oder Markdown zu erzeugen.
2. Bilder handhaben: Speichern Sie eingebettete Bilder separat und referenzieren Sie sie im HTML/Markdown.
3. Suchen und Ersetzen: Nutzen Sie Python-Tools wie BeautifulSoup für HTML oder einfache Textoperationen für Markdown.
4. HTML zu PDF: Verwenden Sie WeasyPrint oder ähnliche Bibliotheken, um das finale PDF im gewünschten Format zu erstellen.

Mit diesem Ansatz vermeiden Sie die Installation von Microsoft Word oder LibreOffice und erhalten gleichzeitig sauberes, gut strukturiertes HTML oder Markdown, das für weitere Verarbeitungsschritte geeignet ist.