用python从rtf中提取超链接

Question

我正在尝试使用 python 从 rtfs 中提取超链接。我有 1000 个 rtfs 需要经过，所以我想如果这可以减轻我的任务。但是我的代码没有提取文章的链接，只是提取了该数据库的首页。这是我写的：

import csv
import re

with open('text.rtf', 'r') as file:
    for line in file:
        urls = re.findall('https?://(?:[-\w.]|(?:%[\da-fA-F]{2}))+', line)
        print(urls)
        
with open ('some.csv','w') as fw:
    writer = csv.writer(fw)
    writer.writerows(urls)

   

这是打印出来的：

[]

[]

[]

['https://database.com']

[]

[]

csv 文件为空...（我想将这些 url 写入一个 csv 文件...有可能吗？）

我想这需要修改：'https?://(?:[-\w.]|(?:%[\da-fA-F]{2}))+',行'

我不知道怎么做。

Answer 1

Python 的内置函数open 不能单独解码 RTF 文件。您需要安装另一个软件包来处理它。还有另一个可以帮助从文本中提取 url。不过，不确定它是否是最准确的 url 提取器解决方案。

pip install striprtf urlextract

回到您的主文件，您可以尝试以下操作：

import csv
from striprtf import striprtf
from urlextract import URLExtract

with open( 'text.rtf', 'r') as rtf_file:
    file_text = striprtf.rtf_to_text( rtf_file.read() )

extractor = URLExtract()
urls = extractor.find_urls(file_text)

with open('some.csv', 'w', newline='') as fw:
    fieldnames = ['urls']
    writer = csv.DictWriter(fw, fieldnames = fieldnames)
    writer.writeheader()
    for link in urls:
        writer.writerow( {'urls': link} )

希望这能满足您的需求。