Question

我有一个脚本，VBS或Ruby，它将Word文档保存为“过滤的HTML”，但忽略了编码参数。 HTML文件始终在Windows-1252中编码。我在Windows 7 SP1上使用Word 2007 SP3。

Ruby示例：

require 'win32ole'
word = WIN32OLE.new('Word.Application')
word.visible = false
word_document = word.documents.open('C:\whatever.doc')
word_document.saveas({'FileName' => 'C:\whatever.html', 'FileFormat' => 10, 'Encoding' => 65001})
word_document.close()
word.quit

VBS示例：

Option Explicit
Dim MyWord
Dim MyDoc
Set MyWord = CreateObject("Word.Application")
MyWord.Visible = False
Set MyDoc = MyWord.Documents.Open("C:\whatever.doc")
MyDoc.SaveAs "C:\whatever2.html", 10, , , , , , , , , , 65001
MyDoc.Close
MyWord.Quit
Set MyDoc = Nothing
Set MyWord = Nothing

文档：

Document.SaveAs：http://msdn.microsoft.com/en-us/library/bb221597.aspx

msoEncoding值：http://msdn.microsoft.com/en-us/library/office/aa432511(v=office.12).aspx

有任何建议，如何让Word以UTF-8保存HTML文件？

Answer 1

据我所知，Word无法做到这一点。

但是，您可以将以下行添加到Ruby脚本的末尾

text_as_utf8 = File.read('C:\whatever.html').encode('UTF-8')
File.open('C:\whatever.html','wb') {|f| f.print text_as_utf8}

如果您使用旧版本的Ruby，则可能需要使用Iconv。如果您在'C:\whatever.html'中有特殊字符，则需要查看无效/未定义的替换选项。

您可能还想更新HTML meta标记中的字符集：

text_as_utf8.gsub!('charset=windows-1252', 'charset=UTF-8')

在写入文件之前

。

Answer 2

我的解决方案是使用与用于保存它的Word相同的字符集打开HTML文件。我还添加了一个白名单过滤器（Sanitize）来清理HTML。使用Nokogiri进行进一步的清洁，Sanitize也依赖它。

require 'sanitize'

# ... add some code converting a Word file to HTML.

# Post export cleanup.
html_file = File.open(html_file_name, "r:windows-1252:utf-8")
html = '<!DOCTYPE html>' + html_file.read()
html_document = Nokogiri::HTML::Document.parse(html)
Sanitize.new(Sanitize::Config::RESTRICTED).clean_node!(html_document)
html_document.css('html').first['lang'] = 'en-US'
html_document.css('meta[name="Generator"]').first.remove()

# ... add more cleaning up of Words HTML noise.

sanitized_html = html_document.to_html({:encoding => 'utf-8', :indent => 0})
# writing output to (new) file
sanitized_html_file_name = word_file_name.sub(/(.*)\..*$/, '\1.html')
File.open(sanitized_html_file_name, 'w:UTF-8') do |f|
    f.write sanitized_html
end

HTML Sanitizer：https://github.com/rgrove/sanitize/

HTML解析器和修饰符：http://nokogiri.org/

在Word 2010中，有一种新方法SaveAs2：http://msdn.microsoft.com/en-us/library/ff836084(v=office.14).aspx

我没有测试过SaveAs2，因为我没有Word 2010。

Answer 3

Hi Bo Frederiksen和kardeiz，

我还遇到了＆＃34; Word Document.SaveAs忽略编码的问题＆＃34;今天在我的＆＃34; Word 2003（11.8411.8202）SP3＆＃34;版。

幸运的是，我设法让msoEncodingUTF8（即65001）在VBA代码中工作。但是，我必须先更改Word文档的设置。步骤是：

1）来自Word＆＃39;工具＆＃39;菜单，选择＆＃39;选项＆＃39;。

2）然后点击“常规”。

3）按“网络选项”＆＃39;按钮。

4）在弹出的“网络选项”中＃4;对话，点击＆＃39;编码＆＃39;。

5）您可以找到一个组合框，现在您可以更改编码，例如，来自＆＃39; GB2312＆＃39; to＆＃39; Unicode（UTF-8）＆＃39;。

6）保存更改并尝试重新运行VBA代码。

我希望我的回答可以帮到你。以下是我的代码。

Public Sub convert2html()
    With ActiveDocument.WebOptions
        .Encoding = msoEncodingUTF8
    End With

    ActiveDocument.SaveAs FileName:=ActiveDocument.Path & "\" & "file_name.html", FileFormat:=wdFormatFilteredHTML, Encoding:=msoEncodingUTF8

End Sub

Word Document.Save在从Ruby或VBS通过OLE调用时忽略编码

Ruby示例：

VBS示例：

文档：

3 个答案: