1. produkty
  2.   Zpracování textu
  3.   Python
  4.   Python-Mammoth
 
  

Python API pro konverzi obsahu Word DOCX do web-ready HTML

Open source Python knihovna, která umožňuje vývojářům načíst a převést Microsoft Word DOCX obsah do web-ready HTML v Python aplikacích.

Co je Python-Mammoth?

Konverze dokumentů se stala klíčovou potřebou pro vývojáře softwaru, kteří vytvářejí aplikace interagující s textem v dnešním digitálním prostředí. Plynulý přechod mezi formáty souborů může zajistit kompatibilitu a ušetřit čas při práci s e-learningovými platformami, nástroji pro automatizaci dokumentů nebo systémy pro správu obsahu (CMS). Jedna z výkonných knihoven v tomto prostoru je Python-Mammoth, open-source Python knihovna speciálně navržená pro konverzi Microsoft Word (DOCX) dokumentů do čistého a semantického HTML. Podporuje semantický HTML výstup, extrahování obrázků z DOCX souborů, vlastní mapování stylů, užitečná upozornění na nepodporované prvky nebo potenciální problémy s formátováním, snadnou integraci s Python aplikacemi a mnoho dalšího.

Vyvinutý Michaelem Williamsonem, Python-Mammoth je open source Python knihovna zaměřená na extrakci podstatného obsahu z DOCX dokumentů a převod do dobře strukturovaného HTML. Jejím hlavním cílem je vytvořit čistý a semantický HTML výstup bez zbytečných inline stylů nebo přetíženého markup. Na rozdíl od mnoha jiných nástrojů pro konverzi dokumentů, klade důraz na jednoduchost a přesnost, zachovává semantiku dokumentu jako nadpisy, odstavce a seznamy místo zaměření na pixelově přesné zobrazení. Knihovna podporuje generování čistých a konzistentních HTML reportů z Word šablon. Zaměření na jednoduchost, čistý výstup a rozšiřitelnost z ní činí vynikající volbu pro vývojáře hledající řešení konverze dokumentů.

Previous Next

Začínáme s Python-Mammoth

Python-Mammoth je hostována na PyPI, takže je velmi jednoduché ji nainstalovat. Lze ji nainstalovat pomocí pip s následujícím příkazem.

Instalujte Python-Mammoth pomocí pip příkazu

 pip install mammoth

Konverze Word DOCX do HTML pomocí Pythonu

Open source Python-Mammoth knihovna usnadňuje vývojářům softwaru načítat a převádět Microsoft Word DOCX soubory do HTML v Python aplikacích. Jednou z výrazných funkcí knihovny je schopnost produkovat čistý, semantický HTML výstup. Vyhýbá se vkládání zbytečných inline stylů nebo proprietárních tagů, což zajišťuje, že finální HTML zůstává lehký a snadno stylovatelný pomocí CSS. Následující příklad ukazuje, jak je obsah DOCX převáděn do HTML, připravený k zobrazení nebo dalšímu stylování.

Jak převést obsah DOCX do HTML pomocí 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

Podpora vlastních mapování stylů

Python-Mammoth knihovna poskytuje řadu možností přizpůsobení, umožňujících vývojářům softwaru doladit proces extrakce textu podle jejich konkrétních potřeb. Vývojáři mohou definovat vlastní mapování stylů, aby kontrolovali, jak jsou DOCX styly převáděny do specifických HTML prvků. To umožňuje větší flexibilitu při vykreslování obsahu dokumentu. Zde je příklad, který ukazuje, jak je styl Heading 1 v DOCX explicitně mapován na HTML h1 tag v Python aplikacích.

Jak mapovat styl Heading 1 v DOCX na HTML H1 tag v Python aplikacích?

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)

Konverze obrázků DOCX do HTML pomocí Pythonu

Open source Python-Mammoth knihovna usnadňuje vývojářům softwaru extrahovat obrázky z Microsoft Word DOCX souborů a zahrnout je do výsledného HTML. Ve výchozím nastavení jsou odkazy na obrázky zahrnuty jako URL, ale vývojáři mohou přizpůsobit způsob, jakým jsou obrázky zpracovány. Zde je příklad, který ukazuje, jak jsou obrázky z DOCX souboru zachovány v HTML výstupu pomocí Python příkazů.

Jak převést obrázky z DOCX souboru do HTML výstupu pomocí 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)

Analýza rozvržení

Open source Python-Mammoth knihovna dokáže analyzovat rozvržení Word DOCX dokumentu, identifikovat prvky jako tabulky, obrázky a textové bloky. Tato funkce je nezbytná pro aplikace, které vyžadují přesnou extrakci informací o rozvržení.

 Čeština