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

Python‑API för att konvertera Word DOCX‑innehåll till webbklart HTML

Öppen källkod Python‑bibliotek som låter mjukvaruutvecklare läsa och konvertera Microsoft Word DOCX‑innehåll till webbklart HTML i Python‑appar.

Vad är Python-Mammoth?

Dokumentkonvertering har blivit en avgörande nödvändighet för mjukvaruutvecklare som skapar appar som interagerar med text i dagens digitala miljö. En smidig övergång mellan filformat kan garantera kompatibilitet och spara tid när man arbetar på en e‑learning‑plattform, ett dokumentautomatiseringsverktyg eller ett innehållshanteringssystem (CMS). Ett kraftfullt bibliotek inom detta område är Python-Mammoth, ett open‑source Python‑bibliotek speciellt utformat för att konvertera Microsoft Word (DOCX)-dokument till ren och semantiskt HTML. Det stödjer semantiskt HTML‑output, extrahering av bilder från DOCX‑filer, anpassade stilmappningar, hjälpsamma varningar om osupporterade element eller potentiella formateringsproblem, enkel integration med Python‑baserade applikationer med mera.

Utvecklad av Michael Williamson, Python-Mammoth är ett open source Python‑bibliotek inriktat på att extrahera det väsentliga innehållet från DOCX‑dokument och konvertera dem till välstrukturerat HTML. Dess huvudmål är att producera ren och semantiskt HTML‑output utan onödiga inline‑stilar eller rörig markup. Till skillnad från många andra dokumentkonverteringsverktyg prioriterar det enkelhet och noggrannhet, bevarar dokumentsemantiken som rubriker, stycken och listor snarare än att fokusera på pixel‑perfekt representation. Biblioteket stödjer generering av rena och konsistenta HTML‑rapporter från Word‑mallar. Dess fokus på enkelhet, ren output och utökbarhet gör det till ett utmärkt val för utvecklare som söker dokumentkonverteringslösningar.

Previous Next

Komma igång med Python-Mammoth

Python-Mammoth är hostat på PyPI, så det är väldigt enkelt att installera. Det kan installeras med pip med följande kommando.

Installera Python-Mammoth via pip‑kommando

 pip install mammoth

Word DOCX till HTML‑konvertering via Python

Det öppna källkods‑biblioteket Python-Mammoth gör det enkelt för mjukvaruutvecklare att ladda och konvertera Microsoft Word DOCX‑fil till HTML i Python‑applikationer. En av de mest utmärkande funktionerna i biblioteket är dess förmåga att producera ren, semantisk HTML‑output. Det undviker att bädda in onödiga inline‑stilar eller proprietära taggar, vilket säkerställer att den slutliga HTML‑koden förblir lättviktig och enkel att styla med CSS. Följande exempel visar hur DOCX‑innehåll konverteras till HTML, redo att visas eller stylas vidare.

Hur konverterar man DOCX-innehåll till 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

Stöd för anpassad stilmappning

Python-Mammoth‑biblioteket erbjuder ett antal anpassningsalternativ, så att mjukvaruutvecklare kan finjustera textutdragningsprocessen efter sina specifika behov. Utvecklare kan definiera anpassade stilmappningar för att kontrollera hur DOCX‑stilar konverteras till specifika HTML‑element. Detta ger större flexibilitet i rendering av dokumentinnehåll. Här är ett exempel som visar hur stil Heading 1 i DOCX explicit mappas till en HTML h1‑tagg i Python‑applikationer.

Hur MAPPar man stil Heading 1 i DOCX till en HTML H1‑tagg i Python‑appar?

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)

Konvertera DOCX‑bilder till HTML via Python

Det öppna källkods‑biblioteket Python-Mammoth gör det enkelt för mjukvaruutvecklare att extrahera bilder från Microsoft Word DOCX‑filer och inkludera dem i det resulterande HTML‑dokumentet. Som standard inkluderas bildreferenser som URL:er, men utvecklare kan anpassa hur bilder hanteras. Här är ett exempel som visar hur bilder från DOCX‑filen bevaras i HTML‑outputen med hjälp av Python‑kommandon.

Hur konverterar man bilder från DOCX‑fil till 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)

Layoutanalys

Det öppna källkods‑biblioteket Python-Mammoth kan analysera layouten i ett Word DOCX‑dokument, identifiera element som tabeller, bilder och textblock. Denna funktion är viktig för applikationer som kräver exakt extrahering av layoutinformation.

 Svenska