python使用pdfplumber库一键提取pdf中的所有超链接

 更新时间:2026年04月15日 09:23:47   作者:一位代码  
超链接在 pdf 中被归类为“链接注释”(Link Annotations),本文将详细介绍Python如何基于pdfplumber库提取PDF中超链接,希望对大家有所帮助

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:

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。

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。

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。

方法补充

基本用法:提取所有超链接

核心代码很简单:打开 PDF,遍历每一页,然后从页面的 hyperlinks 属性中提取 uri(目标网址)。

import pdfplumber
def extract_links(pdf_path):
    all_links = []
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            page_links = page.hyperlinks
            if page_links:
                for link in page_links:
                    # 每个 link 是一个字典,'uri' 键存储了目标网址
                    uri = link.get('uri')
                    if uri:
                        all_links.append(uri)
    return all_links
if __name__ == "__main__":
    links = extract_links("你的文件.pdf")
    for link in links:
        print(link)

你也可以在遍历时加上页码,方便记录:

for i, page in enumerate(pdf.pages):
    links = page.hyperlinks
    if links:
        print(f"第 {i+1} 页 有 {len(links)} 个链接")
        for link in links:
            print(f"  - {link.get('uri')}")
    else:
        print(f"第 {i+1} 页 没有链接")

高级用法:灵活处理

处理其他类型的链接

除了 uri(网页链接),hyperlinks 可能还包含内部链接(指向 PDF 内其他页面,键为 page)或文档级链接(键为 nameddest)。

if 'uri' in link:
    print(f"网页链接: {link['uri']}")
elif 'page' in link:
    print(f"内部链接: 第 {link['page']} 页")
elif 'nameddest' in link:
    print(f"命名目标: {link['nameddest']}")

提取链接的链接文本(高级技巧)

有时你需要知道链接所关联的文本(例如“点击这里”)。pdfplumber 本身不直接提供这个功能,但可以结合 chars 属性(包含每个字符的详细信息,如位置坐标)来间接获取。基本思路是获取链接的矩形区域(x0y0x1y1),然后筛选出落在这个区域内的字符并组合成文本。这需要一定的坐标计算,但能更精确地处理复杂文档。

处理加密PDF

pdfplumber.open() 方法支持通过 password 参数打开加密的 PDF 文件。

with pdfplumber.open("encrypted.pdf", password="你的密码") as pdf:
    # ... 正常提取链接

常见问题与注意事项

  • 链接提取不到pdfplumber 提取的是 PDF 中的 “链接注释” (Link Annotations)。如果你需要提取的是文本内容中直接以 URL 形式出现的字符串,直接使用文本搜索或正则表达式会更合适。
  • CroppedPage 相关Bug:如果你对页面进行了裁剪操作,可能会遇到与 CroppedPage 相关的超链接提取 Bug。如果遇到此类问题,可以尝试更新 pdfplumber 到最新版本,或直接在原始 Page 对象上提取链接。
  • 扫描版PDFpdfplumber 主要用于处理由计算机生成的 PDF(Machine-generated PDFs)。如果 PDF 是扫描件(图片形式),它无法直接提取其中的超链接或文本。你需要先用 OCR 技术(如 pytesseract)进行识别。

到此这篇关于python使用pdfplumber库一键提取pdf中的所有超链接的文章就介绍到这了,更多相关python提取pdf超链接内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • Python中的with关键字和文件操作方法

    Python中的with关键字和文件操作方法

    在Python编程中,with关键字用于简化文件操作流程,包括文件的打开、读取、写入和关闭,它是一个上下文管理器,确保即使在发生异常的情况下,文件也能被正确关闭,释放系统资源,本文给大家介绍Python中的with关键字和文件操作方法,感兴趣的朋友一起看看吧
    2024-10-10
  • Python机器学习之预测黄金价格

    Python机器学习之预测黄金价格

    这篇文章主要介绍了如何使用机器学习方法来预测最重要的贵金属之一黄金的价格,文中的示例代码讲解详细,感兴趣的小伙伴可以试一试
    2022-01-01
  • Python调用讯飞语音合成API接口来实现文字转语音

    Python调用讯飞语音合成API接口来实现文字转语音

    这篇文章主要为大家介绍了Python调用讯飞语音合成API接口来实现文字转语音方法示例详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪
    2023-04-04
  • 一文带你深入了解Python中的GeneratorExit异常处理

    一文带你深入了解Python中的GeneratorExit异常处理

    GeneratorExit是Python内置的异常,当生成器或协程被强制关闭时,Python解释器会向其发送这个异常,下面我们来看看如何处理这一异常吧
    2025-03-03
  • 从原理到生产落地详解Python高并发服务限流的终极方案

    从原理到生产落地详解Python高并发服务限流的终极方案

    在高并发场景下,无限制的请求会导致服务雪崩,数据库击穿,资源耗尽和安全风险,下面小编将和大家详细介绍一下Python高并发服务限流的终极方案,希望对大家有所帮助
    2026-02-02
  • python如何利用plt.legend()添加图例代码示例

    python如何利用plt.legend()添加图例代码示例

    用python的matplotlib画图时,往往需要加图例说明,下面这篇文章主要给大家介绍了关于python如何利用plt.legend()添加图例的相关资料,文中通过代码介绍的非常详细,需要的朋友可以参考下
    2023-11-11
  • 解决python读取几千万行的大表内存问题

    解决python读取几千万行的大表内存问题

    今天小编就为大家分享一篇解决python读取几千万行的大表内存问题,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2018-06-06
  • Python实现的ini文件操作类分享

    Python实现的ini文件操作类分享

    这篇文章主要介绍了Python实现的ini文件操作类分享,本文直接给出实现代码,需要的朋友可以参考下
    2014-11-11
  • Python深度学习之Unet 语义分割模型(Keras)

    Python深度学习之Unet 语义分割模型(Keras)

    这篇文章主要介绍了语义分割任务中Unet一个有意思的模型-Keras。Keras是一个由Python编写的开源人工神经网络库,可进行深度学习模型的设计、调试、评估、应用和可视化。感兴趣的小伙伴快来跟随小编一起学习一下吧
    2021-12-12
  • Pycharm配置Qt Designer及Pyuic的实现方法

    Pycharm配置Qt Designer及Pyuic的实现方法

    本文介绍了如何安装Qt designer和Pyuic以及他们的基本用法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2023-07-07

最新评论