1. Товары
  2.   Обработка текстов
  3.   Python
  4.   Python-Mammoth
 
  

Python API для конвертации содержимого Word DOCX в готовый для веба HTML

Открытая Python‑библиотека, позволяющая разработчикам программного обеспечения читать и конвертировать содержимое Microsoft Word DOCX в готовый для веба HTML внутри Python‑приложений.

Что такое Python-Mammoth?

Конвертация документов стала критически важной необходимостью для разработчиков программного обеспечения, создающих приложения, работающие с текстом в современной цифровой среде. Плавный переход между форматами файлов может обеспечить совместимость и сэкономить время при работе над e‑learning платформой, инструментом автоматизации документов или системой управления контентом (CMS). Одна из мощных библиотек в этой сфере — Python-Mammoth, открытая Python‑библиотека, специально предназначенная для конвертации документов Microsoft Word (DOCX) в чистый и семантический HTML. Она поддерживает семантический HTML‑вывод, извлечение изображений из файлов DOCX, пользовательские сопоставления стилей, полезные предупреждения о неподдерживаемых элементах или потенциальных проблемах форматирования, лёгкую интеграцию с Python‑приложениями и многое другое.

Разработанная Майклом Уильямсоном, Python-Mammoth — открытая Python‑библиотека, ориентированная на извлечение основного содержимого из DOCX‑документов и его преобразование в хорошо структурированный HTML. Её главная цель — создавать чистый и семантический HTML‑вывод без ненужных inline‑стилей и загромождённой разметки. В отличие от многих других инструментов конвертации, она ставит во главу угла простоту и точность, сохраняет семантику документа, такую как заголовки, абзацы и списки, а не стремится к пиксель‑совершенному отображению. Библиотека поддерживает генерацию чистых и согласованных HTML‑отчётов из шаблонов Word. Ориентированность на простоту, чистый вывод и расширяемость делает её отличным выбором для разработчиков, ищущих решения по конвертации документов.

Previous Next

Начало работы с Python-Mammoth

Python-Mammoth размещён на PyPI, поэтому его установка очень проста. Его можно установить с помощью pip, используя следующую команду.

Установить Python-Mammoth через команду pip

 pip install mammoth

Конвертация Word DOCX в HTML с помощью Python

Open‑source библиотека Python-Mammoth упрощает разработчикам загрузку и конвертацию файлов Microsoft Word DOCX в HTML внутри Python‑приложений. Одной из выдающихся возможностей библиотеки является способность создавать чистый, семантический HTML‑вывод. Она избегает встраивания ненужных inline‑стилей или проприетарных тегов, обеспечивая лёгкий и лёгко стилезуемый конечный HTML с помощью CSS. Следующий пример показывает, как содержимое DOCX конвертируется в HTML, готовый к отображению или дальнейшему стилизованию.

Как конвертировать содержимое DOCX в HTML через 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

Поддержка пользовательского сопоставления стилей

Библиотека Python-Mammoth предоставляет широкий набор параметров настройки, позволяя разработчикам точно настроить процесс извлечения текста под их конкретные нужды. Разработчики могут задавать пользовательские сопоставления стилей, чтобы контролировать, как стили DOCX преобразуются в конкретные HTML‑элементы. Это обеспечивает большую гибкость при отображении содержимого документа. Ниже пример, показывающий, как стиль Heading 1 в DOCX явно сопоставляется с HTML‑тегом h1 внутри Python‑приложений.

Как сопоставить стиль Heading 1 в DOCX с тегом HTML H1 внутри Python‑приложений?

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)

Конвертация изображений DOCX в HTML с помощью Python

Open‑source библиотека Python-Mammoth упрощает разработчикам извлечение изображений из файлов Microsoft Word DOCX и их включение в полученный HTML. По умолчанию ссылки на изображения включаются как URL, но разработчики могут настроить обработку изображений. Ниже пример, показывающий, как изображения из DOCX‑файла сохраняются в HTML‑выводе с помощью команд Python.

Как конвертировать изображения из файла DOCX в HTML‑вывод через 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 макета

Open‑source библиотека Python-Mammoth может анализировать макет документа Word DOCX, выявляя такие элементы, как таблицы, изображения и текстовые блоки. Эта функция важна для приложений, которым требуется точное извлечение информации о макете.

 Русский