1. Produkty
  2.   Przetwarzanie tekstu
  3.   Python
  4.   Python-Mammoth
 
  

API Pythona do konwertowania zawartości Word DOCX na gotowy do publikacji w sieci HTML

Otwarta biblioteka Python, która pozwala programistom na odczytywanie i konwertowanie zawartości Microsoft Word DOCX na gotowy do publikacji w sieci HTML w aplikacjach Python.

Czym jest Python-Mammoth?

Konwersja dokumentów stała się kluczową koniecznością dla programistów tworzących aplikacje, które pracują z tekstem w dzisiejszym cyfrowym środowisku. Płynne przejście między formatami plików może zapewnić kompatybilność i zaoszczędzić czas przy pracy nad platformą e‑learningową, narzędziem automatyzacji dokumentów lub systemem zarządzania treścią (CMS). Jedną z potężnych bibliotek w tej dziedzinie jest Python-Mammoth, otwarta biblioteka Python specjalnie zaprojektowana do konwertowania dokumentów Microsoft Word (DOCX) na czysty i semantyczny HTML. Obsługuje ona wyjście semantycznego HTML, wyodrębnianie obrazów z plików DOCX, niestandardowe mapowanie stylów, przydatne ostrzeżenia o nieobsługiwanych elementach lub potencjalnych problemach formatowania, łatwą integrację z aplikacjami opartymi na Pythonie i wiele więcej.

Opracowany przez Michaela Williamsona, Python-Mammoth to otwarta biblioteka Python skoncentrowana na wyodrębnianiu najważniejszej treści z dokumentów DOCX i konwertowaniu ich na dobrze ustrukturyzowany HTML. Jej głównym celem jest generowanie czystego i semantycznego HTML bez niepotrzebnych stylów inline ani zagraconego kodu. W przeciwieństwie do wielu innych narzędzi konwersji dokumentów, priorytetem jest prostota i dokładność, zachowując semantykę dokumentu, taką jak nagłówki, akapity i listy, zamiast dążyć do odwzorowania piksel po pikselu. Biblioteka umożliwia tworzenie czystych i spójnych raportów HTML z szablonów Word. Skupienie na prostocie, czystym wyniku i rozbudowywalności czyni ją doskonałym wyborem dla programistów poszukujących rozwiązań konwersji dokumentów.

Previous Next

Rozpoczęcie pracy z Python-Mammoth

Python-Mammoth jest dostępny w PyPI, więc jego instalacja jest bardzo prosta. Można go zainstalować przy pomocy pip, używając następującego polecenia.

Zainstaluj Python-Mammoth przy pomocy polecenia pip

 pip install mammoth

Konwersja Word DOCX do HTML przy użyciu Pythona

Otwarta biblioteka Python-Mammoth ułatwia programistom ładowanie i konwertowanie plików Microsoft Word DOCX do HTML w aplikacjach Python. Jedną z wyróżniających się funkcji biblioteki jest zdolność do generowania czystego, semantycznego HTML. Unika ona wstawiania niepotrzebnych stylów inline ani własnościowych znaczników, zapewniając, że ostateczny HTML jest lekki i łatwy do stylizacji przy użyciu CSS. Poniższy przykład pokazuje, jak zawartość DOCX jest konwertowana na HTML, gotowy do wyświetlenia lub dalszej stylizacji.

Jak przekonwertować zawartość DOCX do HTML przy użyciu API Pythona?

 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

Wsparcie mapowania własnych stylów

Biblioteka Python-Mammoth oferuje szereg opcji dostosowywania, pozwalając programistom precyzyjnie dopasować proces ekstrakcji tekstu do ich konkretnych potrzeb. Deweloperzy mogą definiować własne mapowania stylów, aby kontrolować, jak style DOCX są konwertowane na konkretne elementy HTML. Daje to większą elastyczność w renderowaniu zawartości dokumentu. Oto przykład pokazujący, jak styl Nagłówek 1 w DOCX jest wyraźnie mapowany na tag HTML h1 w aplikacjach Python.

Jak ZMAPOWAĆ styl Nagłówek 1 w DOCX na tag HTML H1 w aplikacjach Python?

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)

Konwertuj obrazy DOCX do HTML przy użyciu Pythona

Otwarta biblioteka Python-Mammoth ułatwia programistom wyodrębnianie obrazów z plików Microsoft Word DOCX i uwzględnianie ich w wynikowym HTML. Domyślnie odwołania do obrazów są wstawiane jako adresy URL, ale programiści mogą dostosować sposób obsługi obrazów. Poniższy przykład pokazuje, jak obrazy z pliku DOCX są zachowywane w wyjściu HTML przy użyciu poleceń Pythona.

Jak konwertować obrazy z pliku DOCX do wyjścia HTML przy użyciu API Pythona?

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)

Analiza układu

Otwarta biblioteka Python-Mammoth może analizować układ dokumentu Word DOCX, identyfikując elementy takie jak tabele, obrazy i bloki tekstu. Ta funkcja jest niezbędna dla aplikacji wymagających dokładnego wyodrębniania informacji o układzie.

 Polski