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 существовал как «способ сохранить страницу в один файл». Старые архивы (Internet Archive до 2008, корпоративные скриншоты, материалы из почтовых клиентов) часто содержат MHTML-файлы. Их понимание нужно при импорте исторических архивов.

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​

Из Chromium​

chromium --headless --disable-gpu --print-to-mhtml=output.mhtml https://example.com

Из Chrome через DevTools Protocol​

curl -X PUT http://localhost:9222/json \
  -d '{"url":"https://example.com/","targetId":"abc"}'
# Получить targetId из /json/version

Из Python (requests-mhtml)​

import requests
from requests_html import HTMLSession

session = HTMLSession()
response = session.get("https://example.com")
# С mhtml поддержка ограничена; удобнее использовать chromium

Открытие и парсинг​

Браузеры​

  • Internet Explorer — исторический родной формат (кнопка «Сохранить как веб-страницу, полностью»).
  • Microsoft Edge (старый, на EdgeHTML) — поддерживал.
  • Microsoft Outlook — прикрепляет страницы как MHTML в .msg-файлах.
  • Chrome / Chromium / Safari — умеют открывать .mhtml напрямую.

Парсинг в Python​

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
WARC-записинет
Метаданные архиванетда
Многостраничные сайтыодин файл = одна страницамногостраничная коллекция
Сжатиередкообычно gzip
Использование сейчасlegacyстандарт

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

PUID в PRONOM​

  • MHTML — fmt/1014

Инструменты​

  • Chromium / Chrome — единственный современный браузер с нативной поддержкой Save as MHTML и --print-to-mhtml.
  • MS Outlook — сохраняет HTML-вложения в MHTML.
  • MHTML-Python — mhtml пакет на PyPI.
  • libwkhtmltox — для серверного рендеринга с поддержкой MHTML.

Рекомендации​

  • Не создавайте новые архивы в MHTML — для современных задач используйте WARC/WACZ.
  • Для импорта старых MHTML: конвертируйте в WARC через warcprox или wget --warc-file=output.warc. Это позволит унифицировать хранение.
  • Всегда прогоняйте 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​