python | 使用 pdfplumber 库提取 pdf 中的所有超链接

前言

超链接在 pdf 中被归类为"链接注释"（Link Annotations）。

根据 pdf 规范，超链接是一种特殊的注释类型，其核心结构包含定义可点击区域的矩形、指定跳转目标的 URI 或页面信息，以及可选的视觉样式。这种设计允许 pdf 阅读器识别并响应用户的点击行为。

本文基于 python 开源库 pdfplumber 来提取 pdf 中的超链接。

pdfplumber 库，专门用于解析 pdf 文档，可提取 pdf 的基本信息（作者、创建时间、修改时间...）及表格、文本、图片、超链接等信息，基本可以满足所有较为简单的内容提取。

pdfplumber 可直接使用 pip 命令进行安装，具体命令如下：

python 复制代码

pip install pdfplumber

提取 pdf 中超链接详解

pdfplumber 自带的 .hyperlinks 属性，专门用于获得 pdf 中的所有超链接信息，返回结果为一个字典列表。

如以下代码，使用 pdfplumber 打开 test.pdf 后，采用 .hyperlinks 属性获取每一页的超链接信息。

python 复制代码

import pdfplumber


with pdfplumber.open(r'./data/test.pdf') as pdf_info:
    for page in pdf_info.pages:
        links = page.hyperlinks
    print(links)

上述代码运行后，返回结果为一个字典列表，内容包含页码、URI（目标地址）等超链接信息。如下图：

然后根据需要，提取字典列表中的超链接即可。

完整代码如下，直接复制该代码，修改文件路径为自己的 pdf 完整路径，即可获取到 pdf 所有页中所有的超链接。

python 复制代码

import pdfplumber


def get_links(file_path):
    res_links = []
    with pdfplumber.open(file_path) as pdf_info:
        page_number = 0
        for page in pdf_info.pages:
            page_number += 1
            links = page.hyperlinks
            if links:
                for link in links:
                    res_link = link.get('uri')
                    res_links.append(res_link)
                print(f'第{page_number}页，共有{len(links)}个超链接！')
            else:
                print(f'第{page_number}页，不存在超链接!')
    return res_links


if __name__=="__main__":
    # 文件路径为 pdf 完整路径
    res_links = get_links('data/FCC_all.pdf')
    print(res_links)

以上仅为 pdf 中超链接提取的一种方法，可供参考。

-end-