HTMLをDOCXに変換

位置を固定したページから、流れる文書へ

HTMLは要素を配置し、Word文書は要素を流し込みます。これが根本的な違いで、ここで起こる意外な結果はすべてこれに由来します。Webページは、長さに関係なく左にサイドバー、右にパネルを固定して置いておけますが、.docxは段落が次々に下へ押し出されていく流れです。そのため、CSSの配置指定、flexboxの段組み、グリッドで作られたレイアウトは、読み順に並んだ1段の流れる形で書き出されます。レイアウトを計測できないからではなく、Word文書にボックスを固定すると誰も編集できないものになり、そもそも変換する意味がなくなってしまうからです。

きれいに対応付けられるのは、もともと文書の形をしていたものすべてです。見出しはWordの見出しスタイルになり、ナビゲーションウィンドウが機能し、目次も生成できます。段落、太字と斜体、リスト、引用、罫線付きの表、ハイパーリンクには、どれも直接対応するものがあります。画像は埋め込まれるので、文書だけで完結します。ブログ記事、記事、レポートはほぼ完璧に変換されますが、ランディングページはそうはいきません。

画像は変換時に参照できる必要があります。お使いのコンピューターを指すパスは読み込めません。ブラウザ上のページはファイルシステムにアクセスできないからです。Webアドレスも、そのサーバーがほかのサイトからの取得を許可している場合にしか使えず、意図的に許可していないサーバーも多くあります。対処法は、画像をデータURIとして埋め込むか、誰でも取得できると分かっているアドレスを使うことです。含められなかった画像は、黙って欠けたままにせず報告します。

ほかにも2つ、欠けるものがあると考えておいてください。Webフォントは埋め込まれないので、テキストはWordにあるフォントで組まれ、見た目が変わります。また、Wordには段落の背景画像にあたる概念がないため、CSSの背景画像は引き継がれません。スクリプトは一切実行されないので、JavaScriptで内容を組み立てるページは、実行前のマークアップのとおりに変換されます。

ほかの目的には

描画後のマークアップから変換するどのツールよりも、Pandoc のほうが得意です。pandoc page.html -o page.docx --extract-media=. はHTMLの構造をWordのスタイルに正しく対応付け、画像を取り出し、参照用の文書も受け付けるので、出力を自分のテンプレートに合わせられます。見出し、フォント、間隔がすべて、Wordのデフォルトではなく自社のスタイルになります。インストールする価値があるのは、この最後の点です。

ファイルではなく公開中のWebページなら、まず「名前を付けてページを保存 → Webページ、完全」で保存するか、curl で取得してから、その結果を変換してください。このツールは外部のネットワークに一切アクセスしないからです。そして欲しいのが編集できるものではなく、ページの見た目の忠実なコピーなら、HTML PDF変換が適したツールです。Word文書と違い、PDFならボックスを固定できるからです。