Python如何提取Word文档中的超链接
作者：Eiceblue
前言
在数字化办公场景中，Word文档作为承载结构化信息的重要载体，常包含大量嵌入的超链接以关联外部资源或实现内容交互。这些链接可能隐含着关键参考数据、云端资源定位或动态更新的数据源接口，但人工逐条检索不仅效率低下且易出现遗漏。自动化提取技术不仅能快速建立链接索引，还能分析链接分布特征，支撑链接有效性验证、文档版本监控等场景，显著降低人工操作风险，确保信息管理的完整性与可追溯性。本文将介绍如何使用Python实现Word文档中超链接的批量提取，包括超链接锚文本、URL以及屏幕提示文本的提取。
本文所使用的方法需要用到免费的Free Spire.Doc for Python，PyPI：pip install spire.doc.free。
用Python提取Word文档中的所有超链接
我们可以使用库中的 Document 类来载入Word文档进行处理。由于Word文档中的超链接是以域（Field）的形式添加到段落文本中的，因此，我们可以通过判断文档各节子对象类型来找出所有段落，然后再判断段落子对象类型来找出所有域，最后判断域类型来找出所有超链接域。找出超链接域之后，我们可以使用 Field.FieldText 属性获取超链接的锚文本，以及 Field.Code 属性获取以下格式的域代码：
- 普通超链接域代码：HYPERLINK "https://www.example.com/"
- 带屏幕提示的超链接域代码：HYPERLINK "https://www.example.com/ai" \o "屏幕提示内容"
通过剪切域代码，我们可以获取超链接的地址的屏幕提示内容，从而提取完整的超链接信息。
以下是使用Python提取Word文档超链接的操作步骤：
所需模块：Document、Paragraph、Field、FieldType。
1.加载 Word 文档：创建 Document 对象并使用 Document.LoadFromFile() 方法加载目标文件。
2.遍历文档结构：
- 遍历所有节 Sections。
- 遍历每个节的主体子对象 Section.Body.ChildObjects。
- 筛选出段落 Paragraph 类型的子对象，再遍历段落中的对象 Paragraph.ChildObjects。
3.提取超链接：
- 识别 Field 类型的段落子对象，同时确定子对象的 FieldType 属性是否为 FieldType.FieldHyperlink。
- 解析 FieldText（锚文本）和 Field.Code（URL 及屏幕提示）。
4.保存提取的超链接信息。
代码示例
from spire.doc import Document, Paragraph, Field, FieldType
# 创建Document对象
doc = Document()
# 加载Word文件
doc.LoadFromFile("示例.docx")
# 创建字符串列表用于储存超链接信息
hyperlinks = []
# 遍历文档中的节
for i in range(doc.Sections.Count):
# 获取当前节
section = doc.Sections.get_Item(i)
# 遍历节中的主体子对象
for j in range(section.Body.ChildObjects.Count):
# 获取当前子对象
secObj = section.Body.ChildObjects.get_Item(j)
# 判断子对象是否为段落
if isinstance(secObj, Paragraph):
# 遍历段落中的子对象
for k in range(secObj.ChildObjects.Count):
# 获取当前子对象
paraObj = secObj.ChildObjects.get_Item(k)
# 判断子对象是否为域以及是否为超链接域
if isinstance(paraObj, Field) and paraObj.Type == FieldType.FieldHyperlink:
# 获取超链接的锚文本
anchorText = paraObj.FieldText
# 获取超链接的URL
url = paraObj.Code.split('"')[1]
# 判断是否存在屏幕提示
if "\\o" in paraObj.Code:
# 获取屏幕提示
hyperlinkTip = paraObj.Code.split('\"')[3].strip()
# 将锚文本、URL和屏幕提示组合到字符串中
hyperlinks.append(f"锚文本：{anchorText}\nURL：{url}\n屏幕提示：{hyperlinkTip}\n\n")
else:
# 将锚文本和URL组合到字符串中
hyperlinks.append(f"锚文本：{anchorText}\nURL：{url}\n\n")
# 将超链接信息写入文件
with open("output/提取的超链接.txt", "w", encoding="utf-8") as file:
for hyperlink in hyperlinks:
file.write(hyperlink)
# 关闭文档
doc.Close()
提取结果
方法补充
Python提取docx中的超链接
Python如何解析 <w:t></w:t>中间的内容
用 xml + 正则表达式如果仅仅使用 for paragraph in document.paragraphs 获取不包含表格的段落时，还应加上.text属性
import re
from docx import Document
def get_paragraph_from_docx(file_name):
"""
网址：https:blog.csdn.net，这是一段有hyperlink的段落
这是一段没有hyperlink的段落
可用于处理包含超链接的文本，但会自动跳过表格
:param file_name:
:return:
"""
text = []
document = Document(file_name)
for paragraph in document.paragraphs:
t_para = u""
# 有无超链接均可处理
xml_str = str(paragraph.paragraph_format.element.xml)
wt_list = re.findall('<w:t[\S\s]*?</w:t>', xml_str)
for wt in wt_list:
wt_content = re.sub('<[\S\s]*?>', u"", wt)
t_para += wt_content
if t_para:
t_para = t_para.strip()
t_para = re.sub('[\s]', '', t_para)
if t_para:
text.append(t_para)
return text
d = docx.Document(./test.docx)
for p in d.paragraphs:
xml = p.paragraph_format.element.xml
xml_str = str(xml)
wt_list = re.findall('<w:t[\S\s]*?</w:t>', xml_str)
hyperlink = u''
for wt in wt_list:
wt_content = re.sub('<[\S\s]*?>', u'', wt)
hyperlink += wt_content
print(hyperlink)
到此这篇关于Python如何提取Word文档中的超链接的文章就介绍到这了,更多相关Python提取Word超链接内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！