在 Python 中从 PDF 中提取超链接

Posted 2023-03-25

【中文标题】在 Python 中从 PDF 中提取超链接

【英文标题】：Extract hyperlinks from PDF in Python

【发布时间】：2015-02-28 21:44:39

【问题描述】：

我有一个包含几个超链接的 PDF 文档，我需要从 pdf 中提取所有文本。 我使用了 PDFMiner 库和来自http://www.endlesslycurious.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，我的文字是Check this link out，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。

我该怎么做呢？理想情况下，我更愿意用 Python 来做，但我也愿意用任何其他语言来做。

我看过itextsharp，但没用过。我在Ubuntu 上运行，希望能提供任何帮助。

【参考方案1】：

这是一个老问题，但似乎很多人都在关注它（包括我在尝试回答这个问题时），所以我分享了我想出的答案。附带说明一下，学习如何使用 Python 调试器 (pdb) 很有帮助，这样您就可以即时检查这些对象。

可以使用 PDFMiner 获取超链接。复杂之处在于（就像很多关于 PDF 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 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))

然后我定义了一个类似的函数：

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

我用来搜索之前在页面上找到的 annotationList，以查看是否有任何超链接与我在页面上检查的 LTTextBoxHorizo​​ntal 占用相同的区域。

在我的例子中，由于 PDFMiner 在文本框中合并了太多文本，我浏览了每个文本框的 _objs 属性并查看了所有 LTTextLineHorizo​​ntal 实例，看看它们是否与任何注释位置重叠。

【参考方案2】：

Ashwin 的回答稍作修改：

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])

【讨论】：

PdfFileReader 方法接受文件作为参数，因此不需要 PDFFile 对象！

【参考方案3】：

我认为使用 PyPDF 你可以做到这一点。如果要从 PDF 中提取链接。我不确定我是从哪里得到的，但它作为其他东西的一部分存在于我的代码中。希望这会有所帮助：

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]

我希望这应该在您的 PDF 中提供链接。 P.S：我没有广泛尝试过。

【讨论】：

这似乎工作正常，但有什么办法可以提取包含超链接的文本并修改它？

【参考方案4】：

import pikepdf
pdf_file = pikepdf.Pdf.open("pdf.pdf")    
urls = []
for page in pdf_file.pages:
    for annots in page.get("/Annots"):
        url=annots.get("/A").get("/URI")
        if url is not None:
            urls.append(url)
            urls.append(" ; ")
print(urls)

您将获得给定 PDF 中以分号分隔的链接列表

【参考方案5】：

超链接实际上是注释，因此您需要处理注释而不是“提取文本”。我怀疑如果你真的很绝望（并且在 PostScript 中编程很舒服），你将需要使用 itextsharp、MuPDF 或 Ghostscript 之类的库。

我认为处理寻找 LNK 类型的注释相对容易。

【讨论】：

我需要文本和超链接，所以我提取了文本。而且我不确定您所说的处理注释是什么意思...您能解释一下吗？我有点业余。

您需要使用一个库来定位并返回给定页面（或大纲树中）的所有注释，并返回描述它们的字典。这应该包含要绘制的文本和 URL。很抱歉，我不能告诉你使用哪个库或如何使用它，我不知道有什么可以做到这一点。

【参考方案6】：

这是一个以我能找到的最简单的方式创建 URL 列表的版本：

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

【讨论】：

在项目查找中失败并显示“TypeError: 'IndirectObject' object is not subscriptable”。