Question

我有一个PDF文档，里面有几个超链接，我需要从pdf中提取所有文本。我使用了http://www.endlesslycurious.com/2012/06/13/scraping-pdf-with-python/中的PDFMiner库和代码来提取文本。但是，它不会提取超链接。

例如，我的文字显示为Check this link out，并附有链接。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，我更喜欢用Python来做，但我也愿意用其他任何语言来做。

我查看了itextsharp，但还没有使用它。我正在Ubuntu上运行，并希望得到任何帮助。

Answer 1

我认为使用PyPDF可以做到这一点。如果要从PDF中提取链接。我不知道我从哪里得到它，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]

我希望这应该给出PDF中的链接。 P.S：我没有广泛尝试过这个。

Answer 2

这是一个老问题，但似乎很多人都在看它（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。作为旁注，学习如何使用Python调试器（pdb）有很多帮助，因此您可以即时检查这些对象。

可以使用PDFMiner获取超链接。复杂性（就像关于PDF这么多），链接注释和链接文本之间确实没有关系，除了它们都位于页面的同一区域。

以下是我用于获取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

我用来搜索我之前在页面上找到的annotationList，看看是否有任何超链接占用了与我在页面上检查的LTTextBoxHorizontal相同的区域。

就我而言，由于PDFMiner在文本框中整合了太多文本，因此我浏览了每个文本框的_objs属性，并查看了所有LTTextLineHorizontal实例，以查看它们是否与任何注释位置重叠。 / p>

Answer 3

Ashwin的答案的稍作修改的版本：

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 4

超链接实际上是一个注释，因此您需要处理注释而不是“提取文本”。我怀疑你是否需要使用诸如itextsharp，MuPDF或Ghostscript之类的库，如果你真的很绝望（并且在PostScript中编程很舒服）。

我认为处理注释类型LNK的注释非常容易。

Answer 5

这是一个以我能找到的最简单的方法创建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

Answer 6

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)

<块引用>

您将获得给定 PDF 中以分号分隔的链接列表

在Python中从PDF中提取超链接

6 个答案: