最近需要将一批协议文档转换为HTML文档，并希望实现HTML表单填写后能够自动预览和导出PDF文档。但文档数量较多，手动编写代码不太现实。以下是两种思路：
思路一
将文档发送给AI大模型，让其识别并标注出表单，然后手动编写代码将表单转换为HTML。然而，文档中包含日期、括号、勾选框等特殊表单元素，转换代码需要逐个识别这些元素，且文档中存在大量空格（尤其是单空格），AI大模型在识别时经常出现错误或不准确的情况。
思路二
先将doc文档转换为txt文件，再利用AI大模型将txt文件直接转换为HTML。这种方式的优点是，在转换前可以复核文档内容，对错误部分进行修改后再进行转换，从而提高识别的准确性。 优化后的语句更加清晰、简洁，逻辑也更加连贯。
以下给出代码
doc to txt
以下使用Document插件将doc转换成txt
python
import sys
from docx import Document
from html import escape
def convert_docx_to_html(docx_path, html_path):
# 打开 Word 文档
doc = Document(docx_path)
# 创建一个 HTML 文件并写入基本的 HTML 结构
with open(html_path, 'w', encoding='utf-8') as html_file:
html_file.write('<html>\n<head>\n<meta charset="utf-8">\n<title>Document</title>\n</head>\n<body>\n')
# 遍历文档中的段落
for para in doc.paragraphs:
# 将段落内容转换为 HTML，并进行转义以防止 HTML 注入
html_file.write(f'<p>{escape(para.text)}</p>\n')
# 结束 HTML 结构
html_file.write('</body>\n</html>')
def main():
# 检查命令行参数
if len(sys.argv) != 3:
print("Usage: python3 ht.py <input_docx> <output_html>")
sys.exit(1)
# 获取输入和输出文件路径
input_docx = sys.argv[1]
output_html = sys.argv[2]
# 执行转换
convert_docx_to_html(input_docx, output_html)
print(f"Converted {input_docx} to {output_html}")
if __name__ == "__main__":
main()txt to html
以下使用的是华为云openai接口，也可以使用siliconflow的api。前两天调用siliconflow的api正常，今天总是超时，所以更换了华为云的接口。
命令 python txt_to_html.py D:\your\folder\path 。 命令 python txt_to_html.py # 解析当前路径文档。
注 意：可以根据自己的需要，修改提示词，
xml
import os
import json
import time
import re
from openai import OpenAI
import argparse
class SiliconFlowConverter:
def __init__(self):
self.api_key = "华为云ai密钥"
self.model = "DeepSeek-V3"
self.base_url = "https://maas-cn-southwest-2.modelarts-maas.com/v1/infers/271c9332-4aa6-4ff5-95b3-0cf8bd94c394/v1"
self.client = OpenAI(
api_key=self.api_key,
base_url=self.base_url
)
def clean_html_content(self, content):
try:
# 移除可能的markdown代码块标记
content = re.sub(r'```html\s*', '', content)
content = re.sub(r'```\s*$', '', content)
# 查找第一个HTML标签的开始位置
html_start = content.find('<html')
if html_start == -1:
html_start = content.find('<!DOCTYPE html>')
if html_start == -1:
print("警告：未找到HTML标签，尝试直接处理内容")
# 尝试添加基本的HTML结构
content = f'''<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
<title>转换文档</title>
<style>
/* 表单样式优化 */
input[type="text"],
input[type="number"],
input[type="date"],
select,
textarea {{
width: 100%;
padding: 8px 12px;
margin: 4px 0;
border: none;
border-radius: 4px;
background-color: #f5f5f5;
font-size: 14px;
transition: all 0.3s ease;
}}
input[type="text"]:focus,
input[type="number"]:focus,
input[type="date"]:focus,
select:focus,
textarea:focus {{
outline: none;
background-color: #ffffff;
box-shadow: 0 0 0 2px rgba(0, 123, 255, 0.25);
}}
/* 文本输入框样式 */
input[type="text"] {{
min-width: 200px;
max-width: 100%;
}}
/* 数字输入框样式 */
input[type="number"] {{
width: 120px;
}}
/* 日期选择器样式 */
input[type="date"] {{
width: 150px;
}}
/* 下拉选择框样式 */
select {{
min-width: 150px;
max-width: 100%;
}}
/* 文本区域样式 */
textarea {{
min-height: 100px;
resize: vertical;
}}
/* 复选框样式 */
input[type="checkbox"] {{
width: 16px;
height: 16px;
margin: 4px 8px;
}}
/* 单选框样式 */
input[type="radio"] {{
width: 16px;
height: 16px;
margin: 4px 8px;
}}
/* 表单标签样式 */
label {{
display: block;
margin: 8px 0 4px;
font-weight: 500;
color: #333;
}}
/* 表单组样式 */
.form-group {{
margin-bottom: 16px;
}}
/* 表单行样式 */
.form-row {{
display: flex;
align-items: center;
margin-bottom: 12px;
gap: 16px;
}}
/* 表单列样式 */
.form-col {{
flex: 1;
}}
/* 签名区域样式 */
.signature-area {{
margin-top: 32px;
padding-top: 16px;
border-top: 1px solid #eee;
}}
.signature-row {{
display: flex;
justify-content: space-between;
margin-bottom: 16px;
}}
.signature-item {{
flex: 1;
margin: 0 8px;
}}
/* 按钮样式 */
.button-group {{
margin-top: 32px;
padding: 16px;
background-color: #f8f9fa;
border-radius: 4px;
display: flex;
justify-content: center;
gap: 16px;
}}
.button {{
padding: 8px 24px;
border: none;
border-radius: 4px;
background: linear-gradient(135deg, #007bff, #0056b3);
color: white;
font-size: 14px;
cursor: pointer;
transition: all 0.3s ease;
}}
.button:hover {{
transform: translateY(-1px);
box-shadow: 0 4px 8px rgba(0, 0, 0, 0.1);
}}
/* 响应式布局 */
@media (max-width: 768px) {{
.form-row {{
flex-direction: column;
}}
.signature-row {{
flex-direction: column;
}}
.signature-item {{
margin: 8px 0;
}}
}}
</style>
</head>
<body>
{content}
</body>
</html>'''
return content.strip()
# 从HTML标签开始截取内容
content = content[html_start:]
# 移除开头的说明文字（如果有）
content = re.sub(r'^.*?<!DOCTYPE html>', '<!DOCTYPE html>', content, flags=re.DOTALL)
# 移除结尾的说明文字（如果有）
content = re.sub(r'</html>.*?$', '</html>', content, flags=re.DOTALL)
# 移除其他可能的说明文字
content = re.sub(r'```note.*?```', '', content, flags=re.DOTALL)
# 确保内容以</html>结尾
if not content.strip().endswith('</html>'):
content = content.strip() + '\n</html>'
# 确保有基本的HTML结构和样式
if '<head>' not in content:
head_content = '''
<head>
<meta charset="utf-8">
<title>转换文档</title>
<style>
/* 表单样式优化 */
input[type="text"],
input[type="number"],
input[type="date"],
select,
textarea {{
width: 100%;
padding: 8px 12px;
margin: 4px 0;
border: none;
border-radius: 4px;
background-color: #f5f5f5;
font-size: 14px;
transition: all 0.3s ease;
}}
input[type="text"]:focus,
input[type="number"]:focus,
input[type="date"]:focus,
select:focus,
textarea:focus {{
outline: none;
background-color: #ffffff;
box-shadow: 0 0 0 2px rgba(0, 123, 255, 0.25);
}}
/* 文本输入框样式 */
input[type="text"] {{
min-width: 200px;
max-width: 100%;
}}
/* 数字输入框样式 */
input[type="number"] {{
width: 120px;
}}
/* 日期选择器样式 */
input[type="date"] {{
width: 150px;
}}
/* 下拉选择框样式 */
select {{
min-width: 150px;
max-width: 100%;
}}
/* 文本区域样式 */
textarea {{
min-height: 100px;
resize: vertical;
}}
/* 复选框样式 */
input[type="checkbox"] {{
width: 16px;
height: 16px;
margin: 4px 8px;
}}
/* 单选框样式 */
input[type="radio"] {{
width: 16px;
height: 16px;
margin: 4px 8px;
}}
/* 表单标签样式 */
label {{
display: block;
margin: 8px 0 4px;
font-weight: 500;
color: #333;
}}
/* 表单组样式 */
.form-group {{
margin-bottom: 16px;
}}
/* 表单行样式 */
.form-row {{
display: flex;
align-items: center;
margin-bottom: 12px;
gap: 16px;
}}
/* 表单列样式 */
.form-col {{
flex: 1;
}}
/* 签名区域样式 */
.signature-area {{
margin-top: 32px;
padding-top: 16px;
border-top: 1px solid #eee;
}}
.signature-row {{
display: flex;
justify-content: space-between;
margin-bottom: 16px;
}}
.signature-item {{
flex: 1;
margin: 0 8px;
}}
/* 按钮样式 */
.button-group {{
margin-top: 32px;
padding: 16px;
background-color: #f8f9fa;
border-radius: 4px;
display: flex;
justify-content: center;
gap: 16px;
}}
.button {{
padding: 8px 24px;
border: none;
border-radius: 4px;
background: linear-gradient(135deg, #007bff, #0056b3);
color: white;
font-size: 14px;
cursor: pointer;
transition: all 0.3s ease;
}}
.button:hover {{
transform: translateY(-1px);
box-shadow: 0 4px 8px rgba(0, 0, 0, 0.1);
}}
/* 响应式布局 */
@media (max-width: 768px) {{
.form-row {{
flex-direction: column;
}}
.signature-row {{
flex-direction: column;
}}
.signature-item {{
margin: 8px 0;
}}
}}
</style>
</head>'''
content = content.replace('<html>', f'<html>\n{head_content}')
if '<body>' not in content:
content = content.replace('</head>', '</head>\n<body>')
content = content.replace('</html>', '</body>\n</html>')
# 移除多余的空行，但保留必要的换行
content = re.sub(r'\n\s*\n', '\n', content)
# 确保所有标签都正确闭合
content = re.sub(r'<br>', '<br/>', content)
content = re.sub(r'<img([^>]*)>', r'<img\1/>', content)
return content.strip()
except Exception as e:
print(f"清理HTML内容时出错: {str(e)}")
return content.strip()
def read_file_with_encoding(self, file_path):
# 检查文件是否存在
if not os.path.exists(file_path):
raise FileNotFoundError(f"文件不存在: {file_path}")
# 检查文件大小
file_size = os.path.getsize(file_path)
if file_size == 0:
raise ValueError(f"文件为空: {file_path}")
if file_size > 10 * 1024 * 1024: # 10MB限制
raise ValueError(f"文件过大（超过10MB）: {file_path}")
# 尝试不同的编码方式
encodings = ['utf-8', 'gbk', 'gb2312', 'gb18030', 'big5']
last_error = None
for encoding in encodings:
try:
with open(file_path, 'r', encoding=encoding) as f:
content = f.read()
if not content.strip():
raise ValueError(f"文件内容为空: {file_path}")
return content
except UnicodeDecodeError as e:
last_error = e
continue
except Exception as e:
raise Exception(f"读取文件时出错: {str(e)}")
raise ValueError(f"无法使用支持的编码格式读取文件: {file_path}，最后错误: {str(last_error)}")
def convert_txt_to_html(self, txt_file_path):
try:
# 读取txt文件内容
txt_content = self.read_file_with_encoding(txt_file_path)
# 构建提示词
prompt = f"""请将以下文本转换为HTML格式，要求：
1. 内容准确性要求：
- 严格按照原文内容生成，不得添加、删除或修改任何内容
- 保持原文的所有段落、标点符号和格式
- 保持原文的所有示例内容
- 保持原文的所有字段名称和描述
- 保持原文的所有数值和单位
- 保持原文的所有日期格式
- 保持原文的所有签名项和顺序
- 保持原文的所有表格结构和内容
- 保持原文的所有特殊字符和空格
2. 文档格式要求：
- 标题居中显示，使用较大字号
- 标题与正文之间保持适当间距
- 正文段落首行缩进2个字符
- 段落之间保持统一的行间距
- 重要内容使用加粗或斜体突出显示
- 列表项使用统一的缩进和样式
- 表格标题居中显示
- 表格内容对齐方式统一
- 表格边框和间距统一
- 页眉页脚居中对齐
- 文档整体采用对称布局
3. 表单生成要求：
- 为每个关键信息创建对应的表单字段
- 企业名称使用文本输入框
- 日期使用日期选择器
- 所有数字和金额类型使用文本输入框
- 选项使用下拉选择框或单选框
- 多选项使用复选框
- 长文本使用文本区域
- 保持原文中的示例值作为默认值
- 保持原文中的字段顺序
4. 表单样式要求：
- 移除所有表单元素的默认边框
- 使用CSS美化表单元素
- 保持表单元素的间距和对齐
- 统一表单元素的大小和样式
- 文本输入框宽度根据内容自适应
- 日期选择器和下拉框宽度统一
- 表单元素添加圆角和阴影效果
- 输入框获得焦点时有优雅的过渡效果
- 表单元素使用柔和的颜色方案
5. 页面布局要求：
- 严格按照原文的段落格式生成
- 使用合适的字体和字号
- 保持适当的行间距和段落间距
- 确保段落对齐和缩进统一
- 避免不必要的换行
- 保持文本的连续性
- 页面整体采用居中布局
- 内容区域添加适当的内边距和外边距
- 使用网格系统确保布局整齐
6. 内容完整性要求：
- 确保所有原文内容都被完整转换
- 不要遗漏任何段落或内容
- 保持原文的层次结构
- 确保所有表单字段都有对应的内容
- 不要添加原文中没有的内容
- 保持原文的所有表格和列表结构
- 保持原文的所有标题和子标题
- 保持原文的所有页眉和页脚内容
7. 签名部分要求：
- 签名部分采用对称布局
- 签名行使用表格布局确保对齐
- 签名项之间保持等距
- 签名项宽度统一
- 签名项标签对齐
- 签名项输入框大小一致
- 签名日期格式统一
- 签名部分整体居中显示
- 签名区域添加优雅的分隔线
- 保持原文中的签名项顺序和内容
8. 功能按钮要求：
- 页面底部只保留两个按钮：
* 预览按钮：用于预览表单内容
* 导出PDF按钮：用于导出PDF文件
- 不要添加其他任何功能按钮
- 按钮样式简洁美观
- 按钮位置固定在页面底部
- 按钮添加悬停效果和过渡动画
- 按钮使用渐变色背景
- 按钮添加阴影效果
- 按钮区域添加适当的内边距
- 按钮之间保持合适的间距
- 按钮区域添加背景色以区分内容
9. 页面美化要求：
- 使用现代化的配色方案
- 添加适当的背景色和渐变效果
- 使用优雅的字体组合
- 添加细腻的阴影效果
- 使用圆角设计
- 添加平滑的过渡动画
- 确保页面整体视觉协调
- 优化移动端显示效果
10. 其他要求：
- 确保所有样式都正确应用，不要在页面上显示CSS代码
- 使用响应式设计，确保在不同设备上都能正常显示
- 确保所有表单元素都有合适的label标签
- 保持页面整体布局的一致性
- 添加适当的表单提示和帮助信息
- 严格按照原文内容生成，不要添加任何额外说明或注释
文本内容：
{txt_content}"""
max_retries = 3
retry_count = 0
while retry_count < max_retries:
try:
print(f"正在发送API请求... (尝试 {retry_count + 1}/{max_retries})")
# 添加请求超时设置
response = self.client.chat.completions.create(
model=self.model,
messages=[
{"role": "system", "content": "你是一个专业的HTML转换助手，请严格按照要求将文本转换为HTML格式。请确保生成的HTML代码完整且有效。"},
{"role": "user", "content": prompt}
],
max_tokens=4096,
temperature=0.7,
stream=False,
timeout=300 # 设置5分钟超时
)
if not response or not response.choices:
raise Exception("API返回结果为空")
html_content = response.choices[0].message.content
if not html_content:
raise Exception("生成的HTML内容为空")
# 清理HTML内容
html_content = self.clean_html_content(html_content)
# 验证HTML内容是否有效
if not html_content.strip().startswith('<!DOCTYPE html>') and not html_content.strip().startswith('<html'):
raise Exception("生成的HTML内容格式不正确")
# 生成输出HTML文件路径
output_path = os.path.splitext(txt_file_path)[0] + '.html'
# 保存HTML文件
with open(output_path, 'w', encoding='utf-8') as f:
f.write(html_content)
print(f"转换成功！HTML文件已保存至: {output_path}")
return output_path
except Exception as e:
print(f"请求发生错误: {str(e)}")
if retry_count < max_retries - 1:
wait_time = 30 * (retry_count + 1) # 递增等待时间
print(f"等待{wait_time}秒后重试...")
time.sleep(wait_time)
retry_count += 1
continue
else:
print("达到最大重试次数，转换失败")
return None
print("达到最大重试次数，转换失败")
return None
except Exception as e:
print(f"处理文件 {txt_file_path} 时发生错误: {str(e)}")
return None
def main():
# 创建命令行参数解析器
parser = argparse.ArgumentParser(description='将TXT文件转换为HTML格式')
parser.add_argument('path', nargs='?', default='.', help='要处理的文件夹路径，默认为当前目录')
args = parser.parse_args()
# 获取指定路径的绝对路径
target_path = os.path.abspath(args.path)
# 检查路径是否存在
if not os.path.exists(target_path):
print(f"错误：路径 '{target_path}' 不存在！")
return
# 检查路径是否为目录
if not os.path.isdir(target_path):
print(f"错误：'{target_path}' 不是一个目录！")
return
# 递归获取所有txt文件
txt_files = []
for root, dirs, files in os.walk(target_path):
for file in files:
if file.endswith('.txt'):
txt_files.append(os.path.join(root, file))
if not txt_files:
print(f"在 '{target_path}' 及其子文件夹中没有找到txt文件！")
return
print(f"找到 {len(txt_files)} 个txt文件，开始处理...")
converter = SiliconFlowConverter()
# 处理每个txt文件
for i, txt_file in enumerate(txt_files, 1):
print(f"\n正在处理第 {i}/{len(txt_files)} 个文件: {txt_file}")
try:
output_path = converter.convert_txt_to_html(txt_file)
if output_path:
print(f"✓ 转换成功：{output_path}")
else:
print(f"✗ 转换失败：{txt_file}")
except Exception as e:
print(f"✗ 处理文件时出错：{str(e)}")
print("\n所有文件处理完成！")
if __name__ == "__main__":
main()