在Python中从PDF提取超链接

Question

我有一个带有一些超链接的PDF文档，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，我有一段文字说出Check this link out，并附有链接。我能够提取单词Check this link out，但是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，但是我也愿意用任何其他语言来做。

我看过了itextsharp，但是还没有使用过。我正在上运行Ubuntu，希望对您有所帮助。

Answer 1

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），所以我分享我想出的答案。作为旁注，学习如何使用 Python 调试器 (pdb) 很有帮助，因此您可以即时检查这些对象。

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

这是我用来在 PDFPage 上获取链接的代码

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，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

我曾经搜索过我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 占据相同的区域。

就我而言，由于 PDFMiner 在文本框中将太多文本合并在一起，我遍历了每个文本框的 _objs 属性并查看了所有 LTTextLineHorizo​​ntal 实例，以查看它们是否与任何注释位置重叠。

Answer 2

Ashwin's Answer 的略微修改版本：

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 3

我认为使用PyPDF可以做到。如果要从PDF中提取链接。我不确定我从哪里得到的，但是它作为其他内容的一部分驻留在我的代码中。希望这可以帮助：

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]

我希望这会在您的PDF中提供链接。PS：我还没有广泛尝试过。

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”。我怀疑如果您真的很绝望（并且想在 PostScript 中轻松编程），您将需要使用 itextsharp、MuPDF 或 Ghostscript 等库。

我认为处理查找 LNK 类型的注释相对容易。