用Python将微信热文转换成Word文档 | 神级操作

 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

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

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 id="js_profile_qrcode"class="profile_container" style="display:none;">  
 <div>  
   <strong>环球时报</strong>  
   <imgidimgid="js_profile_qrcode_img" src="" alt="">  
   <p>  
     <label>微信号</label>  
     <spanclassspanclass="profile_meta_value">hqsbwx</span></p>  
   <p>  
     <label>功能介绍</label>  
     <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 

<div id="js_content" style="visibility: hidden;"> 

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

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。”

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。 

<img data-ratio="0.7717391304347826" datadata-s="300,640"data-type="jpeg" data-w="828" datadata-backw="578"data-backh="446" src="https://mmbiz.qpic.cn/mmbiz_jpg/qkQTRn2Z9NwC8nNHScsBAFeOFtHHb95ftWKOZve0QJMqJPFtoicdYO8uTWom8fBdG07icCKDo0FoyNjHUyoBibI2g/640?wx_fmt=jpeg"style="text-align: center;width: 660.994px;box-sizing: border-box!important;visibility: visible !important;"  /> 

另一个图片标签 

<img data-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;" /> 

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

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, &quot;HelveticaNeue&quot;, &quot;PingFang SC&quot;, &quot;Hiragino SansGB&quot;, &quot;Microsoft YaHei UI&quot;, &quot;MicrosoftYaHei&quot;, 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;">▲</span> 
         <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 

<img datadata-ratio="0.7717391304347826"data-s="300,640" data-type="jpeg" datadata-w="828"data-backw="578" data-backh="446"src="https://mmbiz.qpic.cn/mmbiz_jpg/qkQTRn2Z9NwC8nNHScsBAFeOFtHHb95ftWKOZve0QJMqJPFtoicdYO8uTWom8fBdG07icCKDo0FoyNjHUyoBibI2g/640?wx_fmt=jpeg"style="text-align: center;width: 660.994px;box-sizing: border-box!important;visibility: visible !important;"  /> 
<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