在pypandoc（pandoc）中將較大的HTML文件轉換為docx的問題

Question

我的問題與如何在pandoc執行中增加堆內存有關？ ，但添加了特定於Python的組件。

背景：我正在嘗試自動生成科學報告。 我已將數據寫入HTML文件，並且想使用Pandoc.exe（文件轉換程序）轉換為.docx Word文檔。 我已經有了處理包含圖片，表格等的較小HTML文件的過程。 該文件為307KB。

當我嘗試轉換嵌入了多個圖形的較大文件（〜4.5MB）時，問題就開始了。 我一直在使用pypandoc進行轉換，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"])

但是我遇到了各種各樣的錯誤。 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"

或者如果我將-Ksize的值提高到256m，則如下所示：

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

---

有人可以在這里解釋發生了什么事，以及以某種方式可以解決這個難題嗎？ 我考慮過的一種解決方案是使圖像縮小很多。 我一直在縮小（80-500KB）原始尺寸，其中每個圖像的寬度和高度取決於其原始尺寸：

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) 

謝謝你的幫助

Answer 1

非常感謝user2407038對此的幫助！

最終，有兩個修復程序使我可以使用pypandoc將較大的HTML文件轉換為docx文件：

如所建議的，第一個是

增加堆的最大大小，例如，將-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，我還有第二個問題，所以我不確定該解決方案是否有效。 Python返回了這樣的錯誤消息：

RuntimeError：轉換期間Pandoc退出代碼為“ 1”：b“ pandoc：無法解碼字節'\\ x91'：Data.Text.Internal.Encoding.Fusion.streamUtf8：無效的UTF-8流\\ n”

通過更改首先打開html文件的方式已修復該問題。 將encoding關鍵字參數設置為'utf8'可使轉換正常進行：

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