1. Продукти
  2.   Обработване на текст
  3.   Python
  4.   Python-Mammoth
 
  

Python API за конвертиране на Word DOCX съдържание в уеб‑готов HTML

Библиотека с отворен код за Python, която позволява на софтуерните разработчици да четат и конвертират Microsoft Word DOCX съдържание в уеб‑готов HTML в Python приложения.

Какво е Python-Mammoth?

Конвертирането на документи се превърна в критична необходимост за софтуерните разработчици, създаващи приложения, които работят с текст в съвременната дигитална среда. Плавният преход между файлови формати може да гарантира съвместимост и да спести време при работа върху e‑learning платформа, инструмент за автоматизация на документи или система за управление на съдържание (CMS). Една мощна библиотека в тази област е Python-Mammoth, библиотека с отворен код за Python, специално проектирана за конвертиране на Microsoft Word (DOCX) документи в чист и семантичен HTML. Тя поддържа семантичен HTML изход, извличане на изображения от DOCX файлове, персонализирани съпоставяния на стилове, полезни предупреждения за неподдържани елементи или потенциални проблеми с форматирането, лесна интеграция с Python‑базирани приложения и още много.

Разработена от Майкъл Уилямсън, Python-Mammoth е библиотека с отворен код за Python, насочена към извличане на същественото съдържание от DOCX документи и конвертирането им в добре структуриран HTML. Основната й цел е да произвежда чист и семантичен HTML изход, без излишни инлайн стилове или претрупан маркъп. За разлика от много други инструменти за конвертиране на документи, тя поставя приоритет върху простотата и точността, запазвайки семантиката на документа като заглавия, параграфи и списъци, вместо да се фокусира върху пиксел‑перфектно представяне. Библиотеката поддържа генериране на чисти и консистентни HTML отчети от Word шаблони. Фокусът ѝ върху простотата, чистия изход и разширяемостта я прави отличен избор за разработчици, търсещи решения за конвертиране на документи.

Previous Next

Започване с Python-Mammoth

Python-Mammoth се хоства в PyPI, така че е много лесно да се инсталира. Може да се инсталира с pip, използвайки следната команда.

Инсталирайте Python-Mammoth чрез pip команда

 pip install mammoth

Конвертиране от Word DOCX към HTML чрез Python

Библиотеката с отворен код Python-Mammoth улеснява софтуерните разработчици да зареждат и конвертират Microsoft Word DOCX файлове в HTML в Python приложения. Една от отличителните функции на библиотеката е способността ѝ да произвежда чист и семантичен HTML изход. Тя избягва вграждането на излишни инлайн стилове или патентовани тагове, като осигурява, че финалният HTML остава лек и лесен за стилизиране с CSS. Следният пример показва как съдържанието на DOCX се конвертира в HTML, готово за показване или допълнително стилизиране.

Как да конвертираме DOCX съдържание в HTML чрез Python API?

 import mammoth

with open("document.docx", "rb") as docx_file:
    result = mammoth.convert_to_html(docx_file)
    html = result.value # The generated HTML
    messages = result.messages # Any messages, such as warnings during conversion

Поддръжка за персонализирано съпоставяне на стилове

Библиотеката Python-Mammoth предлага набор от опции за персонализиране, позволявайки на софтуерните разработчици да настроят процеса на извличане на текст според специфичните им нужди. Разработчиците могат да дефинират персонализирани съпоставяния на стилове, за да контролират как DOCX стиловете се конвертират в конкретни HTML елементи. Това осигурява по‑голяма гъвкавост при рендирането на съдържанието на документа. Ето пример, който показва как стил Heading 1 в DOCX се съпоставя изрично към HTML h1 таг в Python приложения.

Как да съпоставим стил Heading 1 в DOCX към HTML H1 таг в Python приложения?

style_map = "p[style-name='Heading 1'] => h1:fresh"
with open("document.docx", "rb") as docx_file:
    result = mammoth.convert_to_html(docx_file, style_map=style_map)
    html = result.value
print(html)

Конвертиране на изображения от DOCX към HTML чрез Python

Библиотеката с отворен код Python-Mammoth улеснява софтуерните разработчици да извличат изображения от Microsoft Word DOCX файлове и да ги включват в полученото HTML. По подразбиране, препратките към изображения се включват като URL, но разработчиците могат да персонализират начина, по който се обработват изображенията. Ето пример, който показва как изображенията от DOCX файла се запазват в HTML изхода, използвайки Python команди.

Как да конвертираме изображения от DOCX файл към HTML изход чрез Python API?

with open("document.docx", "rb") as docx_file:
    result = mammoth.convert_to_html(docx_file, convert_image=mammoth.images.img_element())
    html = result.value

print(html)

Анализ на оформлението

Библиотеката с отворен код Python-Mammoth може да анализира оформлението на Word DOCX документ, идентифицирайки елементи като таблици, изображения и текстови блокове. Тази функция е съществена за приложения, които изискват точно извличане на информация за оформлението.

 Български