Как спарсить файл .doc python?

Question

[hey_umbrella]

Мне нужно спарсить файл .doc это расписание школы для телеграм бота.Вопрос такой,как достать из ссылку на файл?

Comments

[datka]

ну вот там ссылка же та док фаил. качаете его и дальше через другие модули/библиотеки обрабатываете.
вот почитайте https://stackabuse.com/download-files-with-python/

[hey_umbrella]

datka, проблема не в этом каждый раз файл меняется и название его тоже.

[Gennady S]

hey_umbrella, так у Вас проблема в парсинге самого doc-файла? Или в поиске ссылок на странице? Да и судя по паттерну названия файла, это день-месяц, можно и без разбора страницы обойтись, а сразу пытаться подгрузить файл вида: url-to-resource/diff/DD-MM.doc

[hey_umbrella]

Gennady S, мне нужно просто,чтобы скрипт каждый день при запросы отправлял мне ссылку на документ типо mysite.ru/diff/17-09.doc .Вы знаете как это сделать?

[Gennady S]

hey_umbrella, либо парсить HTML и доставать ссылки: urllib, BeautifulSoup, либо просто проверяйте наличие документа по дате, с помощью http.client, например (подключились, проверили статус ответа, если 200, значит документ существует). Ссылку можно сгенерировать как строку: '/diff/%s.doc' % date.today().format('%d-%m')

Answer 1

[PavelMos]

Можно регулярными выражениями. Выражение ищет фразу от diff до цифрвой комбинации до первого "doc"
https://regex101.com/r/XLJ1t4/1

import re
import urllib
regexp1='(\/diff\/\d{1,2}-\d{1,2}.?doc)'
f=urllib.request.urlopen('http://1311.ru/info/info.php') #открывает, возвращает объект http (не текст)
b=f.read() #читает из него в bytes
text=b.decode() #из bytes в utf-8 (кодировка по умолчанию, поэтому в аргументах декод можно не писать) переводит в текст
out=re.findall(regexp1, text)
#далее, зная адрес сайта
for i in out:
   print ("http://1311.ru"+i)
http://1311.ru/diff/16-09.doc
http://1311.ru/diff/17-09.doc

Но тут, вероятно, надо брать самое новое расписание, тогда их надо сортировать по датам, разделяя дату и месяц, или проверять каким-то образом дату файла на сервере

Comments

[PavelMos]

Через поиск, чтобы взять текст страницы, чтобы проверить работу регулярного выражения, т.к. текст в вопросе был в виде скриншота.

[PavelMos]

Не за что!