1. Produkter
  2.   Tekstbehandling
  3.   Python
  4.   Python-Mammoth
 
  

Python API til at konvertere Word DOCX-indhold til webklar HTML

Open Source Python-bibliotek, der gør det muligt for softwareudviklere at læse og konvertere Microsoft Word DOCX-indhold til webklar HTML i Python-apps.

Hvad er Python-Mammoth?

Dokumentkonvertering er blevet en afgørende nødvendighed for softwareudviklere, der skaber apps, som interagerer med tekst i dagens digitale miljø. En glidende overgang mellem filformater kan sikre kompatibilitet og spare tid, når man arbejder på en e‑learning platform, dokumentautomatiseringsværktøj eller et indholdsstyringssystem (CMS). En kraftfuld biblioteksressource i dette område er Python-Mammoth, et open-source Python-bibliotek specifikt designet til at konvertere Microsoft Word (DOCX) dokumenter til ren og semantisk HTML. Det understøtter semantisk HTML-output, udtrækning af billeder fra DOCX-filer, tilpasset stil-mapping, nyttige advarsler om ikke‑understøttede elementer eller potentielle formateringsproblemer, nem integration med Python‑baserede applikationer og meget mere.

Udviklet af Michael Williamson er Python-Mammoth et open source Python‑bibliotek, der fokuserer på at udtrække det essentielle indhold fra DOCX-dokumenter og konvertere dem til velstruktureret HTML. Dets primære mål er at producere ren og semantisk HTML uden unødvendige inline‑stilarter eller rodet markup. I modsætning til mange andre dokumentkonverteringsværktøjer prioriterer det enkelhed og nøjagtighed, bevarer dokumentsemantik som overskrifter, afsnit og lister i stedet for at fokusere på pixel‑præcis gengivelse. Biblioteket understøtter oprettelse af rene og konsistente HTML‑rapporter fra Word‑skabeloner. Dets fokus på enkelhed, rent output og udvidelighed gør det til et fremragende valg for udviklere, der søger dokumentkonverteringsløsninger.

Previous Next

Kom i gang med Python-Mammoth

Python-Mammoth er hostet på PyPI, så det er meget enkelt at installere. Det kan installeres med pip ved hjælp af følgende kommando.

Installer Python-Mammoth via pip-kommando

 pip install mammoth

Word DOCX til HTML konvertering via Python

Det open source Python-Mammoth-bibliotek gør det nemt for softwareudviklere at indlæse og konvertere Microsoft Word DOCX-filer til HTML i Python‑applikationer. En af bibliotekets fremtrædende funktioner er evnen til at producere rent, semantisk HTML-output. Det undgår at indlejre unødvendige inline‑stilarter eller proprietære tags, hvilket sikrer, at den endelige HTML forbliver letvægtig og nem at style med CSS. Følgende eksempel viser, hvordan DOCX-indhold konverteres til HTML, klar til at blive vist eller styles yderligere.

Hvordan konverterer man DOCX-indhold til HTML via 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

Understøttelse af tilpasset stil-mapping

Python-Mammoth-biblioteket tilbyder en række tilpasningsmuligheder, så softwareudviklere kan finjustere tekstudtrækningsprocessen for at imødekomme deres specifikke behov. Udviklere kan definere brugerdefinerede stil‑mappinger for at kontrollere, hvordan DOCX-stilarter konverteres til specifikke HTML‑elementer. Dette giver større flexibilitet i visning af dokumentindhold. Her er et eksempel, der viser, hvordan Heading 1‑stilen i DOCX eksplicit kortlægges til et HTML‑h1‑tag i Python‑applikationer.

Hvordan kortlægges Heading 1-stil i DOCX til et HTML H1-tag i Python-apps?

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)

Konverter DOCX-billeder til HTML via Python

Det open source Python-Mammoth-bibliotek gør det nemt for softwareudviklere at udtrække billeder fra Microsoft Word DOCX‑filer og inkludere dem i det resulterende HTML. Som standard inkluderes billedreferencer som URL‑er, men udviklere kan tilpasse, hvordan billeder håndteres. Her er et eksempel, der viser, hvordan billeder fra DOCX‑filen bevares i HTML-output ved hjælp af Python‑kommandoer.

Hvordan konverterer man billeder fra DOCX-fil til HTML-output via 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)

Layoutanalyse

Det open source Python-Mammoth-bibliotek kan analysere layoutet af et Word DOCX-dokument og identificere elementer som tabeller, billeder og tekstblokke. Denne funktion er afgørende for applikationer, der kræver præcis udtrækning af layoutinformation.

 Dansk