Word 变成 HTML 时留下了什么

一份 .docx 对每个段落存了两样互不相干的东西：它是什么，和它长什么样。「标题 2」是它是什么。16 磅 Calibri 加粗、段后 6 磅是它长什么样。

转换器读前一样，扔掉后一样。标题 2 变成 <h2> —— 不是一个带字号的 <p>。放到你的站上，它就套上你自己的标题样式，这几乎肯定是你要的。

另一条路是 Word 自己的「另存为网页」：几千行 mso- 样式，把那一页原样复刻出来，事后既改不动也换不了样式。

这是转之前唯一值得在 Word 里做的事，也是输出好和输出干瘪的分界。

只是看起来像标题的文字 —— 大一号、加粗、手动调的字号 —— 存的是普通段落。它会转成 <p>，因为它真的就是段落。字号里没有意图可以还原。

标题层级按 Word 的样式转成 <h1> 到 <h6>。粗体、斜体、删除线转成 <strong>、<em>、<s>。上标下标。链接，Google 和 Office 的跟踪参数会被摘掉。

列表转成真的 <ul> 和 <ol>，最多嵌五层。表格转成 <table>，合并单元格也算：横向合并出来是 colspan，纵向是 rowspan。

「引用」样式的段落转成 blockquote。样式是代码或预排版的段落转成 <pre><code>。题注转成 <p class="caption">。

字体、字号、颜色、突出显示、对齐、缩进、行距、分页符、页眉页脚、页边距。这些全是属于一张纸的呈现，而 HTML 不是一张纸。

有两样扔掉的值得单独说，因为容易被忽略。带下划线的文字会失去下划线 —— 网上的下划线意思是链接，所以 Word 的下划线宁可什么都不映射，也不映射成一个误导人的东西。还有空的占位段落会消失，因为那是排版，不是内容。

修订和批注会扔掉：你拿到的是终稿文字，不是编辑历史。文本框、SmartArt、图表留不下来 —— 只有里面的文字留得下，如果有的话。

老的 .doc 文件是例外：不管选哪种，图片都没法从那个格式里取出来。其余的 —— 文字、标题、表格、粗体 —— 都能转过来。