在Python中从PDF中提取超链接

Question

我有一个 PDF 文档，其中有一些超链接，我需要从 pdf 中提取所有文本。 我使用了 PDFMiner 库和来自 https://web.archive.org/web/20150206080323/https://endlesscurious.com/2012/06/13/scraping-pdf-with-python/ 的代码来提取文本。但是，它不会提取超链接。

例如，我有文字显示“检查此链接”，并附有一个链接。我能够提取单词 Check this link out，但我真正需要的是超链接本身，而不是单词。

我该如何去做呢？理想情况下，我更喜欢用 Python 来做这件事，但我也愿意用任何其他语言来做这件事。

我看过

itextsharp

，但没用过。我正在

Ubuntu

上运行，非常感谢任何帮助。

Answer 1

import PyPDF2
PDFFile = open("file.pdf",'rb')

PDF = PyPDF2.PdfFileReader(PDFFile)
pages = PDF.getNumPages()
key = '/Annots'
uri = '/URI'
ank = '/A'

for page in range(pages):
    print("Current Page: {}".format(page))
    pageSliced = PDF.getPage(page)
    pageObject = pageSliced.getObject()
    if key in pageObject.keys():
        ann = pageObject[key]
        for a in ann:
            u = a.getObject()
            if uri in u[ank].keys():
                print(u[ank][uri])

Answer 2

可以使用 PDFMiner 获取超链接。复杂的是（就像 PDF 的很多内容一样），链接注释和链接文本之间实际上没有任何关系，只是它们都位于页面的同一区域。

这是我用来获取 PDFPage 上的链接的代码

annotationList = []
if page.annots:
    for annotation in page.annots.resolve():
        annotationDict = annotation.resolve()
        if str(annotationDict["Subtype"]) != "/Link":
            # Skip over any annotations that are not links
            continue
        position = annotationDict["Rect"]
        uriDict = annotationDict["A"].resolve()
        # This has always been true so far.
        assert str(uriDict["S"]) == "/URI"
        # Some of my URI's have spaces.
        uri = uriDict["URI"].replace(" ", "%20")
        annotationList.append((position, uri))

然后我定义了一个函数，例如：

def getOverlappingLink(annotationList, element):
    for (x0, y0, x1, y1), url in annotationList:
        if x0 > element.x1 or element.x0 > x1:
            continue
        if y0 > element.y1 or element.y0 > y1:
            continue
        return url
    else:
        return None

我用它来搜索我之前在页面上找到的注释列表，以查看是否有任何超链接占据与我在页面上检查的 LTTextBoxHorizontal 相同的区域。

就我而言，由于 PDFMiner 在文本框中合并了太多文本，因此我遍历每个文本框的 _objs 属性，并查看所有 LTTextLineHorizontal 实例，看看它们是否与任何注释位置重叠。

Answer 3

PDFFile = open('File Location','rb')

PDF = pyPdf.PdfFileReader(PDFFile)
pages = PDF.getNumPages()
key = '/Annots'
uri = '/URI'
ank = '/A'

for page in range(pages):

    pageSliced = PDF.getPage(page)
    pageObject = pageSliced.getObject()

    if pageObject.has_key(key):
        ann = pageObject[key]
        for a in ann:
            u = a.getObject()
            if u[ank].has_key(uri):
            print u[ank][uri]

我希望这可以在您的 PDF 中提供链接。
P.S：我还没有广泛尝试过这个。

Answer 4

您将在给定的 PDF 中获得以分号分隔的链接列表

Answer 5

我认为处理寻找 LNK 类型的注释相对容易。

Answer 6

import PyPDF2

pdf = PyPDF2.PdfFileReader('filename.pdf')

urls = []
for page in range(pdf.numPages):
    pdfPage = pdf.getPage(page)
    try:
        for item in (pdfPage['/Annots']):
            urls.append(item['/A']['/URI'])
    except KeyError:
        pass