Convertir du HTML en DOCX

Une page figée qui devient un document fluide

Le HTML positionne les éléments ; un document Word les fait s'écouler. C'est la différence essentielle, et la source de toutes les surprises ici. Une page web peut fixer une barre latérale à gauche et un panneau à droite et les laisser là quelle que soit la longueur du contenu ; un .docx est un flux de paragraphes qui se poussent les uns les autres vers le bas de la page. Les mises en page construites avec le positionnement CSS, des colonnes flexbox ou des grilles sont donc écrites en une seule colonne continue, dans l'ordre de lecture — non pas parce que la mise en page ne pouvait pas être mesurée, mais parce que figer des blocs dans un document Word produit quelque chose que personne ne peut modifier, ce qui irait à l'encontre du but même de la conversion.

Ce qui se transpose proprement, c'est tout ce qui avait déjà la forme d'un document. Les titres deviennent des styles de titre Word — le volet de navigation fonctionne et une table des matières peut être générée — et paragraphes, gras et italique, listes, citations, tableaux avec leurs bordures et hyperliens ont tous un équivalent direct. Les images sont incorporées pour que le document soit autonome. Un article de blog, un article ou un rapport se convertit presque parfaitement ; une landing page, non.

Les images doivent être accessibles au moment de la conversion. Un chemin pointant vers votre propre ordinateur ne peut pas être lu — une page dans un navigateur n'a pas accès à votre système de fichiers — et une adresse web ne fonctionne que si son serveur autorise d'autres sites à récupérer le fichier, ce que beaucoup refusent délibérément. La solution : incorporer les images en data URI, ou utiliser des adresses dont vous savez qu'elles sont publiquement accessibles. Toute image qui n'a pas pu être incluse est signalée au lieu de manquer en silence.

Deux omissions plus mineures sont à prévoir. Les polices web ne sont pas incorporées : le texte est composé dans les polices dont dispose Word, et l'aspect change ; et les images d'arrière-plan CSS ne sont pas reprises, car Word n'a pas d'équivalent pour une image de fond de paragraphe. Les scripts ne s'exécutent jamais : une page qui se construit en JavaScript est donc convertie telle que son balisage la décrit avant exécution.

Si vous cherchez autre chose

Pandoc fait mieux que tout convertisseur travaillant à partir du balisage affiché : pandoc page.html -o page.docx --extract-media=. transpose correctement la structure HTML sur les styles Word, extrait les images et accepte un document de référence pour que le résultat corresponde à votre propre modèle — titres, polices et espacements selon votre charte plutôt que selon les réglages par défaut de Word. C'est ce dernier point qui justifie de l'installer.

Pour une page web en ligne plutôt qu'un fichier, enregistrez-la d'abord — « Enregistrer la page sous → Page web, complète » — ou récupérez-la avec curl et convertissez le résultat, puisque rien ici ne va chercher sur le réseau. Et si vous voulez une copie fidèle de l'apparence de la page plutôt qu'un document modifiable, la conversion HTML en PDF est le bon outil, car un PDF peut figer des blocs là où un document Word ne le peut pas.