使用Apprise向Microsoft Teams发送自适应卡片的技术指南
2025-05-17 18:22:23作者:尤辰城Agatha
背景介绍
Apprise是一个强大的通知库,支持向多种平台发送消息。随着Microsoft Teams逐步淘汰传统的Webhook功能,开发者需要转向使用Workflows来发送消息。本文将详细介绍如何通过Apprise库向Teams发送包含表格的自适应卡片(Adaptive Cards)。
传统Webhook方式的局限性
过去开发者可以使用Teams的Incoming Webhook功能配合Apprise发送Markdown格式的消息。但随着微软逐步淘汰这一功能,新的Webhook已无法正常工作。传统方式中,开发者可以发送Markdown表格,但在新的Workflows机制下,Markdown表格语法不再被支持,必须改用自适应卡片格式。
自适应卡片简介
自适应卡片是微软推出的一种富文本消息格式,支持复杂的布局和交互元素。相比简单的Markdown,自适应卡片使用JSON格式定义,可以包含表格、按钮、输入框等多种组件。
使用Apprise发送自适应卡片
要在Python中使用Apprise发送自适应卡片,需要遵循以下步骤:
- 准备模板文件:创建一个JSON文件定义自适应卡片的布局结构
- 配置Apprise:在URL中添加模板文件路径参数
- 发送通知:通过Apprise的notify方法发送消息
示例模板文件
以下是一个包含表格的自适应卡片模板示例:
{
"type": "AdaptiveCard",
"$schema": "http://adaptivecards.io/schemas/adaptive-card.json",
"version": "1.5",
"body": [
{
"type": "Table",
"gridStyle": "accent",
"firstRowAsHeaders": true,
"columns": [
{"width": 1},
{"width": 1},
{"width": 3}
],
"rows": [
{
"type": "TableRow",
"cells": [
{
"type": "TableCell",
"items": [
{
"type": "TextBlock",
"text": "{{app_title}}",
"weight": "Bolder"
}
]
},
{
"type": "TableCell",
"items": [
{
"type": "TextBlock",
"text": "类型",
"weight": "Bolder"
}
]
},
{
"type": "TableCell",
"items": [
{
"type": "TextBlock",
"text": "{{app_body}}",
"wrap": true
}
]
}
]
}
]
}
]
}
Python实现代码
import apprise
# 配置Teams Workflows URL并指定模板文件路径
teams_webhook = 'https://myorg.webhook.office.com/...?template=/path/to/template.json'
# 初始化Apprise对象
apprise_object = apprise.Apprise()
apprise_object.add(teams_webhook)
# 发送通知
apprise_object.notify(
title='测试消息标题',
body='这是消息正文内容',
notify_type=apprise.NotifyType.WARNING
)
技术要点解析
-
模板变量:在模板中使用
{{app_title}}和{{app_body}}作为占位符,Apprise会自动替换为notify方法中提供的title和body参数 -
表格配置:
firstRowAsHeaders:将第一行设置为表头gridStyle:设置表格样式columns:定义列宽比例rows:定义行内容和样式
-
样式控制:
- 可以通过
style属性设置单元格样式(如good、warning等) - 使用
weight控制文字粗细 wrap属性控制文本是否自动换行
- 可以通过
最佳实践建议
-
模板管理:将常用的卡片模板保存为独立的JSON文件,便于复用和维护
-
测试验证:在Teams开发者门户中先验证自适应卡片的显示效果
-
错误处理:添加适当的异常处理机制,确保消息发送失败时有备用方案
-
性能考虑:对于高频发送场景,考虑缓存模板文件内容
通过以上方法,开发者可以顺利过渡到新的Teams Workflows机制,继续利用Apprise的强大功能向Teams发送包含丰富内容的自适应卡片消息。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.84 K
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
暂无简介
Dart
799
199
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
780
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
200
Ascend Extension for PyTorch
Python
377
450
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
16
1