python获取doc文件中超链接和文本

代码

from docx import Document
from docx.opc.constants import RELATIONSHIP_TYPE as RT
import re

#存放超链接
target = {}
#存放超链接文本
text = []
d = Document("material/测试.docx")

#获取超链接
rels = d.part.rels
for rel in rels:
    if rels[rel].reltype == RT.HYPERLINK:
        id = rels[rel]._rId
        id = int(id[3:])
        target[id] = rels[rel]._target
#通过rid进行排序
target = [(k, target[k]) for  k in sorted(target.keys())]

#获取超链接文本
for p in d.paragraphs:
    # 将文档处理为xml，并转为字符串
    xml = p.paragraph_format.element.xml
    xml_str = str(xml)
    #获取文本中由<w:hyperlink>标签包起来的部分
    hl_list = re.findall('<w:hyperlink[Ss]*?</w:hyperlink>', xml_str)
    for hyperlink in hl_list:
        # 获取文本中由<w:t>标签包起来的部分
        wt_list = re.findall('<w:t[Ss]*?</w:t>', hyperlink)
        temp = u''
        for wt in wt_list:
            # 去掉<w:t>标签
            wt_content = re.sub('<[Ss]*?>', u'', wt)
            temp += wt_content
        text.append(temp)

# #输出结果
# for i in range(0, len(target)):
#     print(text[i] + " " + target[i])

　

效果

待处理文件

 处理结果

　

了解docx文件结构

①将docx文件后缀名改为zip

②对zip文件进行解压

使用vscode打开改文件夹，查看两个关键文件

 通过阅读发现

超链接的目标网址及其文本通过id属性关联

 

获取超链接

通过以下代码可输出document.xml.rels中超链接的相关属性

from docx import Document
from docx.opc.constants import RELATIONSHIP_TYPE as RT

d = Document("material/测试.docx")
rels = d.part.rels
for rel in rels:
    if rels[rel].reltype == RT.HYPERLINK:
        print('
'.join(['%s:%s' % item for item in rels[rel].__dict__.items()]))
        # print(" 超链接网址为: ", rels[rel]._target)

 

 由于rId的顺序不是恰好和文本出现的顺序一样

因此还需要进行排序

#存放超链接
target = {}
#存放超链接文本
text = []
d = Document("material/测试.docx")

#获取超链接
rels = d.part.rels
for rel in rels:
    if rels[rel].reltype == RT.HYPERLINK:
        id = rels[rel]._rId
        id = int(id[3:])
        target[id] = rels[rel]._target
#通过rid进行排序
target = [(k, target[k]) for  k in sorted(target.keys())]

　　

获取超链接的文本

虽然知道了超链接的目标和文本是通过id关联的

但是奈何没能找到相关的操作，于是使用了下面的方法来处理

即将document.xml处理为字符串，并获取hyperlink标签中的文本

from docx import Document
from docx.opc.constants import RELATIONSHIP_TYPE as RT
import re


#存放超链接
target = {}
#存放超链接文本
text = []
d = Document("material/测试.docx")

#获取超链接文本
for p in d.paragraphs:
    # 将文档处理为xml，并转为字符串
    xml = p.paragraph_format.element.xml
    xml_str = str(xml)
    #获取文本中由<w:hyperlink>标签包起来的部分
    hl_list = re.findall('<w:hyperlink[Ss]*?</w:hyperlink>', xml_str)
    for hyperlink in hl_list:
        # 获取文本中由<w:t>标签包起来的部分
        wt_list = re.findall('<w:t[Ss]*?</w:t>', hyperlink)
        temp = u''
        for wt in wt_list:
            # 去掉<w:t>标签
            wt_content = re.sub('<[Ss]*?>', u'', wt)
            temp += wt_content
        text.append(temp)

　　

参考资料：

Python如何提取docx中的超链接——https://blog.csdn.net/s1162276945/article/details/102919305

python：对dict排序——https://blog.csdn.net/sinat_20177327/article/details/82319473