Question

我的问题与How to increase heap memory in pandoc execution?有关，但添加了一个特定于Python的组件。

背景：我正在尝试自动生成科学报告。我已经将数据写入HTML文件，我想使用Pandoc.exe（文件转换程序）转换为.docx Word文档。我有一个工作流程来处理带有图像，表格等的小型HTML文件。那个文件是307KB。

当我尝试转换嵌入了多个图形的较大文件（~4.5MB）时，问题就开始了。我一直在使用pypandoc进行转换，如下所示：

import pypandoc
PANDOC_PATH = r"C:\Program Files\RStudio\bin\pandoc"

infile = savepath + os.sep + 'Results ' + name + '.html'
outfile = savepath + os.sep + 'Results ' + name + '.docx'

output = pypandoc.convert(source=infile, format='html', to='docx', \
outputfile=outfile, extra_args=["+RTS", "-K64m", "-RTS"])

但是我遇到了各种各样的错误。一般：

RuntimeError: Pandoc died with exitcode "2" during conversion: 
b"Stack space overflow: current size 33692 bytes.\nUse `+RTS -Ksize -RTS' to increase it.\n"

或者如果我将-Ksize的值调高到256m，就像这样：

RuntimeError: Pandoc died with exitcode "1" during conversion: b'pandoc: out of memory\r\n'

有人可以解释一下发生了什么，在这里，以及我可以解决这个困难的一些方法吗？我想到的一个解决方案就是让我的图像变得更小。我刚刚缩小了像这样的（80 - 500KB）原件，每张图像的宽度和高度取决于它的原始尺寸：

data_uri = base64.b64encode(open(formats[graph][0], 'rb').read()).decode('utf-8')

img_tag = ('<img src="data:image/jpg;base64,{0}" height='+formats[graph][2][0]+'
             width='+formats[graph][2][1]+'>').format(data_uri)

感谢您的帮助

Answer 1

非常感谢user2407038对此的帮助！

最后两个修复程序允许我将我的较大HTML文件转换为pypandoc的docx文件：

第一个，如建议的那样，是

增加堆的最大大小，例如将-M2GB添加到extra_args

那是：

output = pypandoc.convert(source=infile, format='html', to='docx', outputfile=outfile, extra_args=["-M2GB", "+RTS", "-K64m", "-RTS"])

增加堆大小后，我仍然遇到第二个问题，所以我不确定解决方案是否有效。 Python返回了如下错误消息：

RuntimeError：Pandoc在转换期间死于exitcode“1”：b“pandoc：无法解码字节'\ x91'：Data.Text.Internal.Encoding.Fusion.streamUtf8：无效的UTF-8流\ n”

通过改变首先打开html文件的方式来解决这个问题。将encoding关键字参数设置为'utf8'可以使转换生效：

report = open(savepath + os.sep + 'Results ' + name + '.html', 'w', encoding='utf8')

在pypandoc（pandoc）中将较大的HTML文件转换为docx的问题

1 个答案: