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

我的问题与Python相关，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（一个文件转换程序）转换为.docx Word文档。我已经有了处理带有图像、表格等的较小HTML文件的过程。那个文件是307KB

当我试图转换一个包含多个图形的较大文件（~4.5MB）时，问题就出现了。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"])

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

但是我有很多错误。通常：

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的值调到256m，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"])

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

---

有人能解释一下这里发生了什么，以及我可以绕过这个难题的方法吗？我考虑过的一个解决方案是将我的图像缩小很多。我刚刚缩小了（80-500KB）的原始图像，如下图所示，其中每个图像的宽度和高度取决于其原始尺寸：

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) 

data\u uri=base64.b64编码（打开（格式[graph][0]，'rb'）.read（））.decode（'utf-8'））
img_标记=（“”）.format（数据uri）

---

感谢您的帮助

非常感谢您在这一次的帮助

两个修复程序最终允许我使用

pypandoc

将较大的HTML文件转换为docx文件：

正如建议的那样，第一个是

增加堆的最大大小，例如将-M2GB添加到额外的参数

即:

output=pypandoc.convert（source=infle，format='html'，to='docx'，
outputfile=outfile，额外参数=[“-M2GB”、“+RTS”、“-K64m”、“-RTS”]）

---

在增加堆大小之后，我仍然有第二个问题，所以我不确定解决方案是否有效。Python返回如下错误消息：

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"])

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

运行时错误：转换期间，Pandoc与exitcode“1”一起死亡：b“Pandoc:无法解码字节'\x91'：Data.Text.Internal.Encoding.Fusion.streamUtf8:无效的UTF-8流\n”

这是通过改变html文件的打开方式修复的。 将

编码

关键字参数设置为

'utf8'

允许转换工作：

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

---

我无法解释为什么会发生这种情况（“what”很明显-程序试图使用比可用内存更多的内存），但您可以尝试通过增加堆的最大大小来绕过它，例如，将

-M2GB

添加到

额外参数

。感谢您的建议。。。我希望我能验证它是否有效。。。不幸的是，我遇到了另一个错误：

RuntimeError:Pandoc在转换过程中因exitcode“1”而死亡：b“Pandoc:无法解码字节'\\x91'：Data.Text.Internal.Encoding.Fusion.streamUtf8:无效的UTF-8流\n”

可能与嵌入的图片有关？为什么要嵌入图像而不是将它们放在目录中并引用它们？这是一个大大增加文件大小（和pandoc内存消耗）的黑客…@mb21尝试直接引用它们，但pandoc在查找文件时遇到困难，转换失败。仍在努力完成这项任务，因此非常欢迎您的想法