使用Apprise向Microsoft Teams发送自适应卡片的技术指南
2025-05-17 22:53:45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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
405
3.14 K
Ascend Extension for PyTorch
Python
226
251
暂无简介
Dart
672
159
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
319
🎉 (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
1.21 K
657
React Native鸿蒙化仓库
JavaScript
262
325
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
9
1
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868