从docx表中提取URL

Question

我现在很困。

我使用python-docx库在python-3中编写了一个解析器，以提取在现有.docx中找到的所有表并将其存储在python数据结构中。

到目前为止，一切都很好。正常工作。现在，我有一个问题，这些表中确实有我需要的超链接！由于结构（位于其下的xml），docx库无法捕获这些内容。网址和显示文字均未提供。我发现许多人对此有类似的担忧，但大多数人似乎并没有“正好那样”的困境。

我考虑过打开.docx的文件并在_ref文档中扫描相应的“ rid”，并使用_ref xml中的链接填充我的实际数据。

无论哪种方式都似乎很疲倦，所以我想知道是否还有更Python化的方式来做到这一点，或者是否有人很好地建议了如何解决这个问题？

Answer 1

您可以通过解析docx文件的xml来提取链接。 您可以使用document.element.getiterator()

从文档中提取所有文本

遍历xml的所有标签并提取其文本。您将获得python-docx无法提取的所有缺失数据。