Wie kann ich URLs aus DOCX-Datei mit Python extrahieren?

Question

Pakete wie python docx ist in diesem Fall unwirksam, da es beim Erstellen und Aktualisieren von Docx-Dateien verwendet wird. Auch wenn ich den vollständigen Text bekomme, kann ich einen Algorithmus erstellen, um daraus Links zu extrahieren. brauche Hilfe!

Answer 1

Wenn alle Links mit http:// oder www. beginnen, können Sie einen regulären Ausdruck verwenden. Von diesem Post sagte, würde regulärer Ausdruck

\b(?:https?://|www\.)\S+\b werden, wenn Sie Python 3 verwenden, können Sie versuchen:

import re 

doc = '...' # use PythonDocx to put the text in here 
matches = re.search('\b(?:https?://|www\.)\S+\b',doc) 
if matches: 
    print(matches(0)) 

Quelle: Python-Dokumentation

Wenn dies richtig ist, wird dies die gesamten Text finden innerhalb doc, die mit http://, https:// oder www. beginnt und sie druckt.

Update: hoppla, falsche Lösung

Von der Python-docx Dokumentation, hier ist eine Arbeitslösung:

from docx import Document 

document = Document("foobar.docx") 
doc = '' # only use if you want the entire document 
for paragraph in document.paragraphs 
    text = paragraph.text 
    # with text, run your algorithms on it, paragraph by paragraph. if you want the whole thing: 
    doc += text 
# now run your algorithm on text 

Mein Python ist ein bisschen rostig, so dass ich vielleicht einen Fehler gemacht haben .