如何在Python中提取所有PDF链接？实现代码示例

本文带你了解如何使用 pikepdf 和 PyMuPDF 库使用 Python 从 PDF 文件中提取链接和 URL。

是否要提取特定 PDF 文件中的 URL？如果是这样，那么你来对地方了。在本教程中，我们将使用Python 中的pikepdf和PyMuPDF库从 PDF 文件中提取所有链接。

Python如何提取所有PDF链接？我们将使用两种方法从特定的 PDF 文件中获取链接，第一种是提取注释，即标记、注释和注释，你实际上可以单击常规 PDF 阅读器并重定向到你的浏览器，而第二种是提取所有原始文本并使用正则表达式来解析 URL。

首先，让我们安装这些库：

pip3 install pikepdf PyMuPDF

方法一：使用注解提取网址

Python提取所有PDF链接的方法解析：在这种技术中，我们将使用 pikepdf 库打开一个 PDF 文件，遍历每个页面的所有注释并查看那里是否有 URL：

import pikepdf # pip3 install pikepdf

file = "1810.04805.pdf"
# file = "1710.05006.pdf"
pdf_file = pikepdf.Pdf.open(file)
urls = []
# iterate over PDF pages
for page in pdf_file.pages:
    for annots in page.get("/Annots"):
        uri = annots.get("/A").get("/URI")
        if uri is not None:
            print("[+] URL Found:", uri)
            urls.append(uri)

print("[*] Total URLs extracted:", len(urls))

我正在测试这个 PDF 文件，但可以随意使用你选择的任何 PDF 文件，只要确保它有一些可点击的链接。

运行该代码后，我得到以下输出：

[+] URL Found: https://github.com/google-research/bert
[+] URL Found: https://github.com/google-research/bert
[+] URL Found: https://gluebenchmark.com/faq
[+] URL Found: https://gluebenchmark.com/leaderboard
...<SNIPPED>...
[+] URL Found: https://gluebenchmark.com/faq
[*] Total URLs extracted: 30

太棒了，我们已经成功地从那篇 PDF 论文中提取了 30 个 URL。

相关： 如何在 Python 中提取所有网站链接。

方法二：使用正则表达式提取网址

Python提取所有PDF链接的方法解析：在本节中，我们将从 PDF 文件中提取所有原始文本，然后使用正则表达式来解析 URL。首先，让我们获取 PDF 的文本版本：

import fitz # pip install PyMuPDF
import re

# a regular expression of URLs
url_regex = r"https?:\/\/(www\.)?[-a-zA-Z0-9@:%._\+~#=\n]{1,256}\.[a-zA-Z0-9()]{1,6}\b([-a-zA-Z0-9()@:%_\+.~#?&//=]*)"
# extract raw text from pdf
file = "1710.05006.pdf"
# file = "1810.04805.pdf"
# open the PDF file
with fitz.open(file) as pdf:
    text = ""
    for page in pdf:
        # extract text of each PDF page
        text += page.getText()

现在text是我们要解析 URL 的目标字符串，让我们使用re 模块来解析它们：

urls = []
# extract all urls using the regular expression
for match in re.finditer(url_regex, text):
    url = match.group()
    print("[+] URL Found:", url)
    urls.append(url)
print("[*] Total URLs extracted:", len(urls))

输出：

[+] URL Found: https://github.com/
[+] URL Found: https://github.com/tensor
[+] URL Found: http://nlp.seas.harvard.edu/2018/04/03/attention.html
[+] URL Found: https://gluebenchmark.com/faq.
[+] URL Found: https://gluebenchmark.com/leaderboard).
[+] URL Found: https://gluebenchmark.com/leaderboard
[+] URL Found: https://cloudplatform.googleblog.com/2018/06/Cloud-
[+] URL Found: https://gluebenchmark.com/
[+] URL Found: https://gluebenchmark.com/faq
[*] Total URLs extracted: 9

结论

Python如何提取所有PDF链接？这次我们只从同一个 PDF 文件中提取了 9 个 URL，现在这并不意味着第二种方法不准确。此方法仅解析文本形式（不可点击）的 URL。

但是，此方法存在问题，因为 URL 可能包含新行 ( \n)，因此你可能希望在url_regex表达式中允许它。

总而言之，在以上两种Python提取所有PDF链接的方法中，如果你想获得可点击的 URL，你可能需要使用第一种方法，这是更可取的。但是如果你想获得文本形式的 URL，第二个可能会帮助你做到这一点！

如果你想从 PDF 中提取表格或图像，有相关教程：

• 如何在 Python 中提取所有 PDF 链接
• 如何在 Python 中提取 PDF 表格