PDF中的超链接检测答案

【问题标题】：Hyperlink Detection from PDFPDF中的超链接检测
【发布时间】：2014-06-09 17:30:12
【问题描述】：

我有一些包含 URL 和 mailto 形式的超链接的 PDF。现在是否有任何方法或工具（可能是第 3 方）从 PDF 中提取超链接元信息，如坐标、链接类型和目标地址。非常感谢任何帮助。

我已经尝试使用 iText 和 PDFBox，但没有取得重大成功，甚至一些第三方软件也没有为我提供所需的输出。

我使用 iText 在 Java 中尝试了以下代码

        PdfReader myReader = new PdfReader("pdf File Path");
        PdfDictionary pageDict = myReader.getPageN(1);
        PdfArray annots = pageDict.getAsArray(PdfName.ANNOTS);
        System.out.println(annots);
        ArrayList<String> dests = new ArrayList<String>();
        if(annots != null) 
        {
            for(int i=0; i<annots.size(); ++i) 
            {
                PdfDictionary annotDict = annots.getAsDict(i);
                PdfName subType = annotDict.getAsName(PdfName.SUBTYPE);
                if (subType != null && PdfName.LINK.equals(subType)) 
                {
                    PdfDictionary action = annotDict.getAsDict(PdfName.A);
                    if(action != null && PdfName.URI.equals(action.getAsName(PdfName.S))) 
                    {
                        dests.add(action.getAsString(PdfName.URI).toString());
                    } // else { its an internal link }
                }
            }
        }        
        System.out.println(dests);

【问题讨论】：

@Bobrovsky 的答案中的示例使用 Doxotic 搜索链接注释，使用 iText 或 PDFBox 搜索链接注释的设计也类似。因此，您确定文档中的那些链接确实是链接注释吗？例如。 Adobe Reader 有一个选项可以使内容中的地址可点击，就好像它们是链接注释一样，而它们不是。也许这样的功能让你相信有链接注释，而实际上没有。（顺便说一句，您可能想提供您尝试过的代码；也许它是错误的。）
非常感谢 mkl 你已经完成了。实际上，我的代码运行良好，这是创建悬停链接的 Adobe 的属性。您能否提供 Adobe 的规格以创建此类属性，以便我检查它
Adobe Reader 只是在页面内容中搜索它认为的 URL 并使其具有交互性。您可以在首选项中打开和关闭此行为。我不知道要提供哪些规范。
干杯，我已经从“编辑”>“首选项”>“常规”选项中检查了它，然后取消选中“从 URL 创建链接”选项。再次感谢您的帮助。

标签： pdf hyperlink adobe itext pdf-extraction

【解决方案1】：

您可以使用Docotic.Pdf library 进行链接提取（免责声明：我为公司工作）。

以下是打开指定文件、查找所有超链接、收集每个链接的位置信息并在每个链接周围绘制矩形的代码。

之后，代码会创建新的 PDF（带有矩形链接）和包含收集信息的文本文件。最后，两个创建的文件都在默认查看器中打开。

public static void ListAndHighlightLinks(string inputFile, string outputFile, string outputTxt)
{
    using (PdfDocument doc = new PdfDocument(inputFile))
    {
        StringBuilder sb = new StringBuilder();

        for (int i = 0; i < doc.Pages.Count; i++)
        {
            PdfPage page = doc.Pages[i];
            foreach (PdfWidget widget in page.Widgets)
            {
                PdfActionArea actionArea = widget as PdfActionArea;
                if (actionArea == null)
                    continue;

                PdfUriAction linkAction = actionArea.Action as PdfUriAction;
                if (linkAction == null)
                    continue;

                Uri url = linkAction.Uri;
                PdfRectangle rect = actionArea.BoundingBox;

                // add information about found link into string buffer
                sb.Append("Page ");
                sb.Append(i.ToString());
                sb.Append(" : ");
                sb.Append(rect.ToString());
                sb.Append(" ");
                sb.AppendLine(url.ToString());

                // draw rectangle around found link
                page.Canvas.DrawRectangle(rect);
            }
        }

        // save document with highlighted links and text information about links to files
        doc.Save(outputFile);
        System.IO.File.WriteAllText(outputTxt, sb.ToString());

        // open created PDF and text file in default viewers
        System.Diagnostics.Process.Start(outputTxt);
        System.Diagnostics.Process.Start(outputFile);
    }
}

您可以将示例代码与这样的调用一起使用：

ListAndHighlightLinks("input.pdf", "output.pdf", "links.txt");

【讨论】：

【解决方案2】：

如果您的 pdf 受版权保护，则需要从第 1 步开始，如果可以免费复制，则可以从第 2 步开始

第 1 步：将您的 pdf 转换为 word .doc：使用 Adobe Acrobat Pro 或在线 pdf 到 word 转换器：

http://www.pdfonline.com/pdf2word/index.asp

第二步：这里将整个文档复制粘贴到输入窗口中，也可以下载轻量级html工具：

http://www.surf7.net/services/value-added-services/free-web-tools/email-extractor-lite/

选择“url”作为“要提取的地址类型”，选择您的分隔符，点击提取，就是这样。

希望它能奏效。

【讨论】：

我已经尝试过 Acrobat pro，但在某些情况下根本无法这样做。但是如何根据 x 和 y 来捕获 PDF 中包含超链接的坐标。

【解决方案3】：

一种可能性是在 Acrobat 中使用自定义 JavaScript，它会枚举页面上的“单词”，然后读出它们的 Quads。从中您可以获得创建链接的坐标（或与页面上的链接进行比较）以及实际文本（即“单词”。

如果“仅”设置现有链接的边框，您还可以执行另一个 Acrobat JavaScript 枚举文档的链接，并设置它们的边框颜色属性（您可能还需要设置宽度） .

（如果您更喜欢“购买”而不是“制作”，请随时私下与我联系；这些内容是我的标准“曲目”的一部分）。

【讨论】：