如何批量将RTF文件转换为HTML并保留文本颜色及格式？

问题背景 #

需要批量将指定文件夹下的RTF文件转换为HTML，要求尽可能保留原有格式；现有Python脚本可完成转换，但无法保留RTF中的文本颜色。

核心原因 #

现有脚本通过「RTF转DOCX再用mammoth转HTML」的流程实现，但mammoth默认仅支持基础格式转换，对文本颜色这类样式无默认处理逻辑；同时中转DOCX的步骤也可能丢失部分格式信息。

解决方案 #

方案一：直接通过Word COM对象转HTML（推荐） #

跳过DOCX中转步骤，直接调用Word的原生转换能力将RTF另存为HTML，能最大程度保留文本颜色、字体、段落等原有格式。

修改后的完整代码：

import os
import win32com.client as win32
from win32com.client import constants
import sys

def convert_rtf_to_html_directly(input_rtf):
    word = win32.gencache.EnsureDispatch('Word.Application')
    word.Visible = False  # 后台运行，不显示Word窗口
    try:
        doc = word.Documents.Open(input_rtf)
        output_html = os.path.splitext(input_rtf)[0] + ".html"
        # 用过滤式HTML格式保存，保留完整样式
        doc.SaveAs(
            output_html,
            FileFormat=constants.wdFormatFilteredHTML
        )
        doc.Close(False)
        return output_html
    finally:
        word.Quit()  # 确保Word进程退出

def convert_rtf_files_to_html(start_path):
    for root, dirs, files in os.walk(start_path):
        for file in files:
            if file.endswith(".rtf"):
                input_rtf = os.path.join(root, file)
                try:
                    output_html_path = convert_rtf_to_html_directly(input_rtf)
                    print(f"转换完成：{input_rtf} -> {output_html_path}")
                    # 可选：删除原RTF文件，按需开启
                    # os.remove(input_rtf)
                except Exception as e:
                    print(f"转换失败 {input_rtf}: {str(e)}")

if __name__ == "__main__":
    if len(sys.argv) != 2:
        print("用法：python script.py <目标文件夹路径>")
        sys.exit(1)
    start_path = sys.argv[1]
    convert_rtf_files_to_html(start_path)

方案二：自定义mammoth样式映射（保留DOCX中转） #

如果必须保留DOCX中转流程，可通过mammoth的style_map参数定义文本颜色的转换规则，将DOCX中的颜色样式映射到HTML的<span>标签：

# 修改原convert_docx_to_html函数，添加style_map配置
def convert_docx_to_html(input_docx):    
    # 定义样式映射规则，捕获文本颜色
    style_map = """
    <style-name="Color" style="color:{{color}}"> <span style="color:{{color}}"></span>
    """
    with open(input_docx, "rb") as docx_file:
        result = mammoth.convert_to_html(
            docx_file, 
            convert_image=mammoth.images.img_element(convert_image),
            style_map=style_map
        )
        html = result.value
        
    output_html = os.path.splitext(input_docx)[0] + ".html"
    
    with open(output_html, "w", encoding="utf-8") as html_file:
        html_file.write(html)

    return output_html

注意：此方法依赖DOCX中的颜色样式命名规则，通用性不如方案一。

方案对比 #

• 方案一：借助Word原生转换引擎，能完整保留RTF中所有格式，无需额外配置，适合大多数场景。
• 方案二：无需依赖Word后台进程，但对DOCX样式结构有要求，仅适用于格式相对简单的文件。

内容的提问来源于stack exchange，提问作者serge