如何验证PDF文件中的链接

Question

我有一个PDF文件，我想验证其中的链接是否正确。从某种意义上讲是正确的-所有指定的URL都链接到网页，并且没有任何损坏。我正在寻找一个简单的实用程序或可以轻松完成的脚本？

例：

$ testlinks my.pdf
There are 2348 links in this pdf.
2322 links are proper.
Remaining broken links and page numbers in which it appears are logged in brokenlinks.txt

我不知道是否存在类似的东西，所以也用stackoverflow进行了google搜索。但是没有发现任何有用的东西。所以想对任何人有任何想法！

更新：使问题更清楚。

Answer 1

您可以使用 pdf-link-checker

pdf-link-checker是一个简单的工具，可以解析 PDF 文档并检查损坏的超链接。它通过向给定文档中找到的每个链接发送简单的 HTTP 请求来实现这一点。

要使用pip安装它：

pip install pdf-link-checker

不幸的是，一个依赖项 ( pdfminer) 被破坏了。要解决这个问题：

pip uninstall pdfminer
pip install pdfminer==20110515

Answer 2

我建议首先使用linux命令行实用程序'pdftotext'-您可以找到手册页：

pdftotext手册页

该实用程序是PDF处理工具的Xpdf集合的一部分，大多数Linux发行版都提供该工具。参见http://foolabs.com/xpdf/download.html。

安装后，您可以通过pdftotext处理PDF文件：

pdftotext file.pdf file.txt

处理后，一个简单的perl脚本将在结果文本文件中搜索http URL，并使用LWP :: Simple检索它们。LWP :: Simple-> get（'http：// ...'）将允许您使用以下代码段来验证URL：

use LWP::Simple;
$content = get("http://www.sn.no/");
die "Couldn't get it!" unless defined $content;

我认为，这将完成您想要做的事情。关于如何编写正则表达式以匹配http URL的方法有很多资源，但是一个非常简单的格式如下所示：

m/http[^\s]+/i

“ http后跟一个或多个非空格字符”-假定URL是属性URL编码的。