使用pypandoc转换docx为html时图片缺失、文本格式丢失如何解决

修正后可运行代码 #

import pypandoc
import os

# 替换为实际docx文件路径
filename = <filepath>
# 图片存储文件夹，和输出HTML同目录即可
media_save_path = "./docx_extract_media"

output = pypandoc.convert(
    filename,
    to='html',
    extra_args=[
        f"--extract-media={media_save_path}",
        "--standalone",
        "--embed-resources",
        "--from=docx+styles",
        "--metadata", 'title="docx转换结果"'
    ]
)

html_save_path = f"{os.path.splitext(filename)[0]}.html"
with open(html_save_path, "w", encoding="utf-8") as f:
    f.write(output)

问题修复说明 #

图片无法正常显示修复

• 原代码缺失os模块导入，会导致路径处理异常，首先补充导入
• --extract-media指定的路径使用和HTML输出位置同级的相对路径，HTML生成的img标签src会自动匹配对应图片位置，无需手动修改
• 若需要单文件HTML无需附带图片文件夹，可删除--extract-media参数，新增--self-contained参数，所有图片会自动转为base64编码内嵌到HTML中，完全避免路径问题

文本样式丢失、全变黑白修复

• 新增--standalone参数：默认pandoc仅输出HTML的body内容片段，不会携带完整样式定义，该参数会生成包含head、body的完整HTML结构，自动保留docx默认样式表
• 新增--from=docx+styles参数：告诉pandoc读取docx中的自定义样式配置，包括文本颜色、字体、字号、段落格式等，不会默认清除自定义格式
• 新增--embed-resources参数：所有样式资源会直接内嵌到HTML文件中，无需单独携带css文件，避免样式丢失
• 写入文件时指定encoding=utf-8，避免中文、特殊字符乱码问题，同时无需额外做编码判断转换

注意事项 #

• 需保证本地已安装完整版pandoc程序，pypandoc仅为调用封装，本身不自带转换内核
• 若存在特殊自定义样式未保留，可在extra_args中添加--css=自定义样式文件路径，自行补充样式规则覆盖默认配置

内容的提问来源于stack exchange，提问作者Divyayan Dey