По стандарту ссылки скрыты в Аннотациях (раздел 12.5.6.5 спецификаций). Отсюда легко извлечь адрес: other-method">Извлечение ссылок на страницы в другом PDF из PDF с помощью Python или другого метода Но очень часто ссылки представлены не как специальные объекты в документе, а как обычный текст, например "http://blah-blah.com". Как извлечь не только ссылки из аннотаций, но и ссылки из самого текста? Я могу искать по всему тексту и находить такие слова, как «http://», но есть ли более оптимальное решение? Редакторы PDF также выделяют текстовые ссылки, как они узнают, что этот фрагмент текста является гиперссылкой?
Как извлечь все ссылки из файла PDF?
Ответы (3)
К сожалению, URL-адреса, не сохраненные в виде аннотаций, а просто встроенные в текст содержимого, не имеют особой видимости в PDF-файлах. Нет другого решения, кроме поиска полного текста PDF и сопоставления URL-адресов с образцом.
Я только что сделал pdfx
, небольшой инструмент именно для этой задачи: загрузить все PDF-файлы из заданного PDF-файла. Он написан на Python и выпущен как с открытым исходным кодом под лицензией GPLv3: http://www.metachris.com/pdfx
Вы можете использовать инструмент pdfx
, чтобы отобразить все URL-адреса PDF, все URL-адреса (с -v
), а также загрузить все упомянутые PDF-файлы (с помощью -d
):
$ pdfx https://weakdh.org/imperfect-forward-secrecy.pdf -d ./
Reading url 'https://weakdh.org/imperfect-forward-secrecy.pdf'...
Saved pdf as './imperfect-forward-secrecy.pdf'
Document infos:
- CreationDate = D:20150821110623-04'00'
- Creator = LaTeX with hyperref package
- ModDate = D:20150821110805-04'00'
- PTEX.Fullbanner = This is pdfTeX, Version 3.1415926-2.5-1.40.14 (TeX Live 2013/Debian) kpathsea version 6.1.1
- Producer = pdfTeX-1.40.14
- Title = Imperfect Forward Secrecy: How Diffie-Hellman Fails in Practice
- Trapped = False
- Pages = 13
Analyzing text...
- URLs: 49
- URLs to PDFs: 17
JSON summary saved as './imperfect-forward-secrecy.pdf.infos.json'
Downloading 17 referenced pdfs...
Created directory './imperfect-forward-secrecy.pdf-referenced-pdfs'
Downloaded 'http://cr.yp.to/factorization/smoothparts-20040510.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/smoothparts-20040510.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35517.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35517.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35514.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35514.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35519.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35519.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35522.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35522.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35509.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35509.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35528.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35528.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35513.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35513.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35533.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35533.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35551.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35551.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35527.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35527.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35520.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35520.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35526.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35526.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35515.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35515.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35529.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35529.pdf'...
Downloaded 'http://cryptome.org/2013/08/spy-budget-fy13.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/spy-budget-fy13.pdf'...
Downloaded 'http://www.spiegel.de/media/media-35671.pdf' to './imperfect-forward-secrecy.pdf-referenced-pdfs/media-35671.pdf'...
Вы можете установить его с помощью $ easy_install -U pdfx
.
Под капотом pdfx использует PyPDF2, библиотеку Python для чтения содержимого PDF, а затем регулярное выражение для соответствия всем URL-адресам.
pdfx
с флагом -v
, чтобы увидеть все ссылки, а не только PDF-файлы.
- person Chris Hager; 28.10.2015
строки "somePDFfile.pdf" | грэп http
pdftk
, чтобы сначала распаковать его: pdftk in.pdf cat output out.pdf uncompress; strings out.pdf | grep -i http
- person Ben Stern; 12.09.2018