怎么用脚本转换文本为文档

如何用脚本高效转换文本为文档（全流程指南）

目录导读

1. 为什么你需要用脚本转换文本？
2. 核心工具与语言选择
3. 三种主流脚本转换方案详解
4. 实战案例：从Markdown到Word的自动化流程
5. 常见问题与优化策略
6. 安全与合规注意事项

---

为何你需要用脚本转换文本？

Q：手动复制粘贴文本到文档不就行了吗？为什么还要写脚本？
A：当你有成百上千个文本文件需要批量转换为规范的Word、PDF或HTML文档时，手动操作不仅效率低下，还极易出错，比如整理周报、批量生成合同模板、将爬虫数据转为结构化报表——脚本能让你在几分钟内完成数小时的工作。

核心价值

• 批量处理：一键转换整个文件夹的文本文件
• 格式统一：自动应用标题、字体、页眉页脚等样式
• 数据清洗：在转换前自动修复换行、空格等格式问题
• 可追溯性：每次运行脚本都会留下明确的日志记录

---

核心工具与语言选择

推荐技术栈

语言/工具	适用场景	优点	缺点
Python + python-docx	转换为Word文档	生态成熟、文档丰富	依赖环境配置
Pandoc	多格式互转（Markdown、LaTeX、Word）	命令行轻量、格式支持最全	学习曲线略陡
PowerShell + COM对象	Windows生态下的Office自动化	无需额外安装库、与Office深度集成	仅限Windows、脚本较长
Node.js + Officegen	Web开发者友好、生成.docx	可用npm管理、异步高效	对复杂表格支持一般

选择建议

• 办公场景首选：Python + python-docx（支持表格、图片、页眉页脚）
• 跨平台多格式：Pandoc（一个命令搞定Markdown转Word/PDF/HTML）
• Windows深度用户：PowerShell（可直接操作Word.Application对象）

---

三种主流脚本转换方案详解

Python + python-docx（最灵活）

# 安装：pip install python-docx
from docx import Document
from docx.shared import Pt, Inches
from docx.enum.text import WD_ALIGN_PARAGRAPH
def text_to_docx(input_text_path, output_docx_path):
    doc = Document()
    # 读取文本文件
    with open(input_text_path, 'r', encoding='utf-8') as f:
        content = f.read()
    # 按双换行分割段落
    paragraphs = content.split('\n\n')
    for para in paragraphs:
        para = para.strip()
        if not para:
            continue
        # 自动识别标题（以#开头的行转换为Heading）
        if para.startswith('# '):
            p = doc.add_heading(para[2:], level=1)
        elif para.startswith('## '):
            p = doc.add_heading(para[3:], level=2)
        else:
            p = doc.add_paragraph(para)
            p.paragraph_format.first_line_indent = Pt(24)  # 首行缩进
        # 设置默认字体
        for run in p.runs:
            run.font.name = '微软雅黑'
            run.font.size = Pt(12)
    doc.save(output_docx_path)
    print(f'转换完成：{output_docx_path}')
# 使用示例
text_to_docx('sample.txt', 'output.docx')

适用场景：需要自定义样式、插入图片、生成表格时的首选。

---

Pandoc（一键多格式）

# 安装Pandoc：https://pandoc.org/installing.html
# 基本命令
pandoc input.txt -o output.docx --from markdown --to docx
# 带样式模板
pandoc input.md -o output.docx --reference-doc=template.docx
# 转换PDF（需要LaTeX环境）
pandoc input.txt -o output.pdf --pdf-engine=xelatex

适用场景：快速在Markdown、LaTeX、Word之间互转，无需写代码。

---

PowerShell + Word COM（Windows独有）

$word = New-Object -ComObject Word.Application
$word.Visible = $false
$doc = $word.Documents.Add()
$selection = $word.Selection
# 读取文本
$content = Get-Content -Path "C:\input.txt" -Raw
# 写入文档
$selection.TypeText($content)
# 保存并关闭
$doc.SaveAs([ref]"C:\output.docx")
$doc.Close()
$word.Quit()

适用场景：必须保留Word特定格式、需要操作已有Word模板时。

---

实战案例：从Markdown到Word的自动化流程

需求描述

每周需要将10篇Markdown笔记（包含层级标题、代码块、列表）转换为统一格式的Word文档，并自动生成目录。

完整脚本实现

import os
from docx import Document
from docx.oxml.ns import qn
import re
def markdown_to_word(md_folder, output_path):
    doc = Document()
    # 设置默认样式
    style = doc.styles['Normal']
    style.font.name = '微软雅黑'
    style.element.rPr.rFonts.set(qn('w:eastAsia'), '微软雅黑')
    # 遍历文件夹内的所有.md文件
    for filename in sorted(os.listdir(md_folder)):
        if not filename.endswith('.md'):
            continue
        filepath = os.path.join(md_folder, filename)
        with open(filepath, 'r', encoding='utf-8') as f:
            lines = f.readlines()
        # 处理每一行
        for line in lines:
            line = line.rstrip()
            # 忽略空行
            if not line:
                continue
            # 解析Markdown标题、列表、代码块
            if line.startswith('### '):
                doc.add_heading(line[4:], level=3)
            elif line.startswith('## '):
                doc.add_heading(line[3:], level=2)
            elif line.startswith('# '):
                doc.add_heading(line[2:], level=1)
            elif line.startswith('- '):
                p = doc.add_paragraph(style='List Bullet')
                p.add_run(line[2:])
            elif line.startswith('`') and line.endswith('`'):
                # 行内代码
                p = doc.add_paragraph()
                run = p.add_run(line.strip('`'))
                run.font.name = 'Courier New'
            else:
                # 普通段落
                doc.add_paragraph(line)
        # 每篇文章之间插入分页符
        doc.add_page_break()
    # 添加自动目录（需要Word支持）
    doc.add_heading('目录', level=1)
    toc_para = doc.add_paragraph()
    toc_para.add_run('（此处将在Word中自动生成目录，请右键更新域）')
    doc.save(output_path)
    print(f'已生成：{output_path}')
# 执行
markdown_to_word('./notes', 'weekly_report.docx')

效果对比

特性	手动操作	脚本自动化
时间消耗	30分钟（10篇笔记）	30秒（含启动时间）
格式一致性	依赖操作者经验	完全统一
错误率	平均3处/篇	几乎为零

---

常见问题与优化策略

Q1：转换后中文字体乱码怎么办？

• Python方案需指定中文字体（如微软雅黑），并设置rFonts.eastAsia
• Pandoc方案使用--reference-doc参数指定含中文样式的模板
• 检查文本文件编码是否为UTF-8（推荐），或GBK/GB2312

Q2：如何保留原始文本中的缩进和空格？

# 在python-docx中保留空格
p = doc.add_paragraph(line)
p.paragraph_format.keep_with_next = True  # 阻止分页分割
# 使用等宽字体显示制表符
run = p.add_run(line)
run.font.name = 'Consolas'

Q3：脚本执行速度慢怎么办？

• 批量优化：一次打开Word应用，而非每文件新建一次（参考PowerShell方案）
• 异步IO：使用Python的asyncio并行读取文件
• 格式简化：避免在循环中频繁设置样式，改用模板一次性应用

Q4：支持PDF输出吗？

Python可通过docx2pdf库或win32com调用Word的PDF导出功能：

# 需要安装：pip install docx2pdf
from docx2pdf import convert
convert('output.docx', 'output.pdf')

---

安全与合规注意事项

1. 文件权限：避免在系统目录（如C:\Windows）生成文件，使用os.getcwd()获取当前用户路径
2. 输入验证：对用户提供的文本进行XSS过滤（尤其是HTML转换为Word时）
3. 版本兼容
   • .docx文件兼容Word 2007及以上版本
   • 若需支持Word 97-2003 (.doc)，考虑使用python-docx的save()默认格式
4. 日志记录：添加时间戳和文件清单，便于回溯

   import logging
   logging.basicConfig(filename='conversion.log', level=logging.INFO)
   logging.info(f'开始转换 {len(files)} 个文件至 {output_path}')

---

选择最适合你的方案

• 如果你会写Python → python-docx方案，可定制度最高
• 如果你只需要格式转换 → Pandoc方案，一行命令即可
• 如果你在Windows且无需跨平台 → PowerShell方案，零依赖

终极建议：先花30分钟学习Python基础语法，此后你将拥有一个可无限扩展的文本转文档工具箱，下一次当你面对100个文本文件时，你会庆幸自己投资了这30分钟。

核心技巧：将转换逻辑封装成API函数（如text_to_docx(input_path, output_path, style='default')），方便其他程序调用，这才是脚本的真正价值——不是一次性工具，而是可复用的基础设施。