使用 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。 我有一个 1000 rtfs 到 go 如此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...（我想将这些网址写入 csv 文件...甚至可能吗？）

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

我不知道怎么。

Answer 1

Python 内置的 function open不能单独解码 RTF 文件。 您需要安装另一个 package 来处理这个问题。 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

回到您的主文件中，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} )

希望这会给你你所需要的。