HTML in DOCX umwandeln

Aus einer festgepinnten Seite wird ein fließendes Dokument

HTML positioniert Dinge; ein Word-Dokument lässt sie fließen. Das ist der zentrale Unterschied und die Quelle jeder Überraschung hier. Eine Webseite kann eine Seitenleiste links und ein Panel rechts festpinnen und dort stehen lassen, egal wie lang sie sind; eine .docx ist ein Strom von Absätzen, die sich gegenseitig die Seite hinunterschieben. Layouts mit CSS-Positionierung, Flexbox-Spalten oder Grids werden daher als eine einzige fließende Spalte in Lesereihenfolge geschrieben – nicht, weil sich das Layout nicht messen ließe, sondern weil festgepinnte Kästen in einem Word-Dokument etwas ergeben, das niemand bearbeiten kann, und damit wäre der Sinn der Umwandlung dahin.

Sauber übertragen lässt sich alles, was schon vorher dokumentförmig war. Überschriften werden zu Word-Überschriften-Formatvorlagen – so funktioniert der Navigationsbereich, und ein Inhaltsverzeichnis lässt sich erzeugen –, und Absätze, Fett und Kursiv, Listen, Blockzitate, Tabellen mit ihren Rahmen und Hyperlinks haben alle direkte Entsprechungen. Bilder werden eingebettet, damit das Dokument in sich geschlossen ist. Ein Blogbeitrag, ein Artikel oder ein Bericht wird fast perfekt umgewandelt; eine Landingpage nicht.

Bilder müssen zum Zeitpunkt der Umwandlung erreichbar sein. Ein Pfad, der auf Ihren eigenen Computer zeigt, lässt sich nicht lesen – eine Seite im Browser hat keinen Zugriff auf Ihr Dateisystem –, und eine Webadresse funktioniert nur, wenn der Server anderen Websites das Abrufen der Datei erlaubt, was viele bewusst nicht tun. Die Lösung: Bilder als Data-URIs einbetten oder Adressen verwenden, von denen Sie wissen, dass sie öffentlich abrufbar sind. Jedes Bild, das nicht übernommen werden konnte, wird gemeldet, statt stillschweigend zu fehlen.

Zwei kleinere Auslassungen, mit denen Sie rechnen sollten. Webfonts werden nicht eingebettet, der Text wird also in dem gesetzt, was Word zur Verfügung hat, und das Aussehen verschiebt sich; und CSS-Hintergrundbilder werden nicht übernommen, da Word für ein Hintergrundbild hinter einem Absatz kein entsprechendes Konzept hat. Skripte laufen nie – eine Seite, die sich per JavaScript selbst aufbaut, wird also so umgewandelt, wie ihr Markup vorher aussieht.

Wenn Sie etwas anderes brauchen

Pandoc kann das besser als jeder Konverter, der mit gerendertem Markup arbeitet: pandoc page.html -o page.docx --extract-media=. bildet die HTML-Struktur sauber auf Word-Formatvorlagen ab, holt die Bilder heraus und akzeptiert ein Referenzdokument, sodass die Ausgabe Ihrer eigenen Vorlage entspricht – Überschriften, Schriften und Abstände ganz im Hausstil statt in den Standardeinstellungen von Word. Genau dieser letzte Punkt macht die Installation lohnenswert.

Bei einer Live-Webseite statt einer Datei speichern Sie diese zuerst – „Seite speichern unter → Webseite, vollständig“ – oder holen Sie sie mit curl und wandeln Sie das Ergebnis um, denn nichts hier greift selbst aufs Netzwerk zu. Und wenn Sie eine originalgetreue Kopie davon wollen, wie die Seite aussieht, statt etwas Bearbeitbares, ist HTML in PDF das richtige Tool, denn ein PDF kann Kästen festpinnen, wo ein Word-Dokument das nicht kann.