Перейти к основному содержимому

MHTML

MHTML (MIME Encapsulation of Aggregate HTML Documents) — формат для упаковки веб-страницы со всеми её ресурсами (изображения, CSS, JavaScript) в один файл. Описан в RFC 2557. Известен по расширениям .mht, .mhtml.

Зачем нужен MHTML​

До широкого распространения WARC MHTML был распространённым «способом сохранить страницу в один файл»: так сохраняли страницы Internet Explorer и почтовые клиенты Microsoft. Такие файлы встречаются в личных и корпоративных архивах, во вложениях писем, в материалах, переданных на хранение. Понимание формата нужно при импорте исторических коллекций.

Структура файла​

MHTML — это multipart MIME-сообщение. Каждая часть — отдельный ресурс страницы:

MIME-Version: 1.0
Content-Type: multipart/related; boundary="boundary_123"

--boundary_123
Content-Type: text/html; charset="UTF-8"
Content-Location: https://example.com/
Content-Transfer-Encoding: quoted-printable

<html>
<head><link rel="stylesheet" href="style.css"></head>
<body><img src="logo.png" alt="Logo"></body>
</html>

--boundary_123
Content-Type: text/css
Content-Location: https://example.com/style.css

body { font-family: sans-serif; }

--boundary_123
Content-Type: image/png
Content-Location: https://example.com/logo.png
Content-Transfer-Encoding: base64

iVBORw0KGgoAAAANSUhEUgAA...==base64...

--boundary_123--

Одна HTML-страница + все её зависимости упакованы в один файл.

Создание MHTML​

Вручную в Chrome / Chromium​

В десктопном Chrome: «Сохранить страницу как…» → тип «Веб-страница, один файл» (.mhtml). Флага командной строки для сохранения в MHTML у Chrome нет (в headless-режиме есть, например, --print-to-pdf, --screenshot и --dump-dom), поэтому для автоматизации используется DevTools Protocol.

Через Chrome DevTools Protocol (Playwright)​

Метод CDP Page.captureSnapshot (помечен как экспериментальный) возвращает страницу в формате MHTML. Пример на Python с Playwright:

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
browser = p.chromium.launch()
page = browser.new_page()
page.goto("https://example.com/")
cdp = page.context.new_cdp_session(page)
snapshot = cdp.send("Page.captureSnapshot", {"format": "mhtml"})
with open("example.mhtml", "w", encoding="utf-8", newline="") as f:
f.write(snapshot["data"])
browser.close()

Установка: pip install playwright && playwright install chromium. CDP-сессии доступны только для браузеров на базе Chromium. Тот же метод можно вызвать из Puppeteer (page.createCDPSession()).

Пример проверен с Playwright 1.63.0 (октябрь 2026).

Открытие и парсинг​

Браузеры​

  • Internet Explorer — исторический родной формат (кнопка «Сохранить как веб-страницу, полностью»).
  • Microsoft Edge — старый Edge (EdgeHTML) поддерживал MHTML; современный Edge на Chromium открывает и сохраняет .mhtml.
  • Microsoft Outlook — может сохранять письма и страницы в MHTML.
  • Chrome / Chromium — открывают и сохраняют .mhtml.
  • Safari использует собственный формат .webarchive; рассчитывать на открытие MHTML в Safari не стоит.

Парсинг в Python​

Для разбора достаточно стандартного модуля email:

import email
from email import policy

with open("archive.mht", "rb") as f:
msg = email.message_from_binary_file(f, policy=policy.default)

for part in msg.walk():
print(f"Content-Type: {part.get_content_type()}, Location: {part.get('Content-Location')}")
if part.get_content_type() == "text/html":
html = part.get_content()
print(html[:200])

Сравнение с WARC​

ХарактеристикаMHTMLWARC
СтандартизацияRFC 2557 (только структура)ISO 28500 (полная)
HTTP-заголовки ответовнетда
Запросы, дедупликация, метаданные записейнетда
Метаданные архиванетда (warcinfo)
Многостраничные сайтыодин файл = одна страницамногостраничная коллекция
Сжатиередкообычно gzip по записям
Использование сейчасlegacyстандарт

MHTML не подходит для современных архивов. Это наследие, которое нужно понимать для чтения старых данных, но не создавать новые.

PUID в PRONOM​

Инструменты​

  • Chrome / Chromium — сохранение вручную и через CDP (Page.captureSnapshot).
  • Microsoft Outlook — сохраняет письма в MHTML.
  • Модуль email стандартной библиотеки Python — разбор MHTML без дополнительных зависимостей.

Перенос MHTML в WARC​

Инструменты, записывающие WARC (wget --warc-file, warcprox, Browsertrix), сохраняют живой HTTP-трафик и не умеют читать готовый MHTML-файл. Если нужно хранить всё в WARC, части MHTML можно перенести в записи типа resource с помощью warcio:

import email
from email import policy
from io import BytesIO
from warcio.warcwriter import WARCWriter

with open("page.mhtml", "rb") as f:
msg = email.message_from_binary_file(f, policy=policy.default)

with open("page.warc.gz", "wb") as out:
writer = WARCWriter(out, gzip=True)
for part in msg.walk():
if part.is_multipart():
continue
url = part.get("Content-Location")
if not url or not url.startswith(("http://", "https://")):
continue
payload = part.get_payload(decode=True) or b""
record = writer.create_warc_record(
url, "resource",
payload=BytesIO(payload),
warc_content_type=part.get_content_type(),
)
writer.write_record(record)

Учтите ограничения: HTTP-заголовков в MHTML нет, Chrome записывает часть ресурсов с адресами вида cid: (они отфильтрованы в примере), а датой записи станет время конвертации. Поэтому исходный MHTML-файл стоит сохранить рядом — как оригинал.

Рекомендации​

  • Не создавайте новые архивы в MHTML — для современных задач используйте WARC/WACZ.
  • Храните исходные MHTML как есть; при необходимости дополнительно переносите их содержимое в WARC (см. выше).
  • Прогоняйте файлы через Siegfried для фиксации формата в метаданных архивного объекта.
  • При чтении учитывайте, что Content-Location в MHTML не всегда соответствует реальному URL.

Ресурсы​

Связанные материалы​