Word 變成 HTML 時留下了什麼

一份 .docx 對每個段落存了兩樣互不相干的東西：它是什麼，和它長什麼樣。「標題 2」是它是什麼。16 點 Calibri 加粗、段後 6 點是它長什麼樣。

轉換器讀前一樣，扔掉後一樣。標題 2 變成 <h2> —— 不是一個帶字級的 <p>。放到你的網站上，它就套上你自己的標題樣式，這幾乎肯定是你要的。

另一條路是 Word 自己的「另存為網頁」：幾千行 mso- 樣式，把那一頁原樣複刻出來，事後既改不動也換不了樣式。

這是轉之前唯一值得在 Word 裡做的事，也是輸出好和輸出乾癟的分界。

只是看起來像標題的文字 —— 大一號、加粗、手動調的字級 —— 存的是普通段落。它會轉成 <p>，因為它真的就是段落。字級裡沒有意圖可以還原。

標題層級按 Word 的樣式轉成 <h1> 到 <h6>。粗體、斜體、刪除線轉成 <strong>、<em>、<s>。上標下標。連結，Google 和 Office 的追蹤參數會被摘掉。

清單轉成真的 <ul> 和 <ol>，最多嵌五層。表格轉成 <table>，合併儲存格也算：橫向合併出來是 colspan，縱向是 rowspan。

「引文」樣式的段落轉成 blockquote。樣式是程式碼或預先格式化的段落轉成 <pre><code>。圖表標題轉成 <p class="caption">。

字型、字級、顏色、醒目提示、對齊、縮排、行距、分頁符號、頁首頁尾、邊界。這些全是屬於一張紙的呈現，而 HTML 不是一張紙。

有兩樣扔掉的值得單獨說，因為容易被忽略。帶底線的文字會失去底線 —— 網路上的底線意思是連結，所以 Word 的底線寧可什麼都不對映，也不對映成一個誤導人的東西。還有空的佔位段落會消失，因為那是版面，不是內容。

追蹤修訂和註解會扔掉：你拿到的是定稿文字，不是編輯歷程。文字方塊、SmartArt、圖表留不下來 —— 只有裡面的文字留得下，如果有的話。

舊的 .doc 檔案是例外：不管選哪種，圖片都沒辦法從那個格式裡取出來。其餘的 —— 文字、標題、表格、粗體 —— 都能轉過來。