如何使用Python实现MHT/MHTML文件到PPTX格式的快速转换

依赖安装 #

首先安装需要的第三方库：

pip install mht2html beautifulsoup4 python-pptx

实现逻辑 #

• 第一步：解析MHT文件，提取出HTML文本和关联的图片、样式等本地资源
• 第二步：解析HTML内容，按段落、标题、图片等元素拆分内容块
• 第三步：每个内容块对应生成PPT页面，把文本、图片等元素写入PPTX对应位置

完整代码 #

from mht2html import MHT2Html
from bs4 import BeautifulSoup
from pptx import Presentation
from pptx.util import Inches, Pt
import os
import shutil

def mht_to_pptx(mht_path, output_pptx_path):
    # 临时目录存放解析出来的HTML和资源
    temp_dir = "./mht_temp"
    os.makedirs(temp_dir, exist_ok=True)
    
    # 1. 解析MHT为HTML
    mht_parser = MHT2Html(mht_path)
    html_path = mht_parser.parse(temp_dir)
    
    # 2. 读取HTML内容解析
    with open(html_path, 'r', encoding='utf-8', errors='ignore') as f:
        html_content = f.read()
    soup = BeautifulSoup(html_content, 'html.parser')
    
    # 3. 初始化PPT
    prs = Presentation()
    # 标题+内容版式
    content_layout = prs.slide_layouts[1]
    
    current_title = ""
    current_content = []
    
    for elem in soup.find_all(['h1', 'h2', 'h3', 'p', 'img']):
        # 处理标题
        if elem.name in ['h1', 'h2', 'h3']:
            # 已有内容先生成上一页
            if current_title or current_content:
                slide = prs.slides.add_slide(content_layout)
                slide.shapes.title.text = current_title if current_title else "无标题"
                tf = slide.placeholders[1].text_frame
                for line in current_content:
                    p = tf.add_paragraph()
                    p.text = line
                    p.font.size = Pt(14)
                current_content = []
            current_title = elem.get_text(strip=True)
        # 处理普通段落
        elif elem.name == 'p':
            text = elem.get_text(strip=True)
            if text:
                current_content.append(text)
        # 处理图片，单独生成一页
        elif elem.name == 'img':
            img_path = os.path.join(temp_dir, elem['src'])
            if os.path.exists(img_path):
                # 先保存之前的文本内容
                if current_title or current_content:
                    slide = prs.slides.add_slide(content_layout)
                    slide.shapes.title.text = current_title if current_title else "无标题"
                    tf = slide.placeholders[1].text_frame
                    for line in current_content:
                        p = tf.add_paragraph()
                        p.text = line
                        p.font.size = Pt(14)
                    current_title = ""
                    current_content = []
                # 生成图片页
                slide = prs.slides.add_slide(prs.slide_layouts[6]) # 空白版式
                left = top = Inches(1)
                slide.shapes.add_picture(img_path, left, top, height=Inches(5.5))
    
    # 处理最后剩余的内容
    if current_title or current_content:
        slide = prs.slides.add_slide(content_layout)
        slide.shapes.title.text = current_title if current_title else "无标题"
        tf = slide.placeholders[1].text_frame
        for line in current_content:
            p = tf.add_paragraph()
            p.text = line
            p.font.size = Pt(14)
    
    # 保存PPT
    prs.save(output_pptx_path)
    
    # 清理临时文件
    shutil.rmtree(temp_dir)

# 调用示例
if __name__ == "__main__":
    mht_to_pptx("你的输入文件.mht", "输出文件.pptx")

注意事项 #

• 代码默认按HTML的标题、段落、图片拆分生成独立PPT页，可根据自身需求调整元素拆分逻辑
• 如果MHT里包含表格、复杂样式，需要额外添加解析逻辑适配，python-pptx原生支持表格生成，可自行扩展
• 若出现编码报错，可根据MHT文件的实际编码调整open方法里的encoding参数

内容的提问来源于stack exchange，提问作者t2dajay