python使用pdfplumber库一键提取pdf中的所有超链接

前言

在PDF文档中，可点击的超链接在技术规范中被称为“链接注释”。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

根据PDF标准，链接注释是一种特殊的注释类型。其核心机制定义了用户的可点击区域、指定了跳转目标（可以是外部网页URL，也可以是文档内部的特定页面），并允许设置视觉呈现样式。正是基于这一设计，PDF阅读器才能识别并响应用户的点击交互。

本文将详细介绍如何运用Python中的强大工具——pdfplumber库，来高效、准确地提取这些“隐藏”在PDF文档中的超链接。

pdfplumber库专注于PDF文档的解析与内容提取。无论是文档元数据（如作者、创建时间），还是复杂的结构化内容（如表格、文本、图片），乃至本文重点探讨的超链接，它都能胜任，足以满足绝大多数常规的PDF信息抽取需求。

其安装过程也极为简便，仅需一条pip命令：

pip install pdfplumber

使用 pdfplumber 提取 PDF 超链接的完整指南

提取超链接是pdfplumber的内置功能。每个页面对象都拥有一个.hyperlinks属性，调用该属性即可直接获取当前页面上的所有链接信息，并以结构清晰的字典列表形式返回。

以下是一段基础示例代码。我们使用pdfplumber打开名为“test.pdf”的文件，遍历每一页并通过.hyperlinks属性获取链接数据：

import pdfplumber


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

执行上述代码后，你将获得一个结构化的列表，其中包含了链接所在的页码、目标URI地址等关键信息。输出效果类似于下图所示：

接下来，我们只需从这个字典列表中提取所需的信息（例如URI地址）即可。

下面是一个完整的函数实现。你只需将文件路径替换为你自己的PDF文件完整路径，运行后即可提取文档所有页面中的全部超链接。

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)

当然，这只是利用Python提取PDF超链接的其中一种高效方法，供各位开发者参考。

进阶技巧与补充方法

核心方法：提取全部超链接

其核心逻辑非常直接：打开PDF文件，遍历每一页，然后从页面的hyperlinks属性中获取uri（即目标网址）。

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)

若希望明确每个链接的来源页码，可以在遍历时加入页码信息：

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")

高级应用：灵活处理各类链接

区分处理不同类型的链接

需要注意的是，hyperlinks返回的字典可能不仅包含uri（网页链接）。还可能包含指向PDF文档内部其他页面的链接（键为page），或指向文档内某个命名目标的链接（键为nameddest）。进行区分处理能使脚本更加健壮。

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']}")

提取链接的锚文本（进阶技巧）

有时，我们不仅需要获取链接指向的地址，还想知道其在PDF中显示的文本内容（例如“点击查看详情”或“访问官网”）。pdfplumber本身未直接提供此功能，但可以通过间接方式实现：利用页面的chars属性（它包含了页面上每个字符的详细信息及其坐标）。基本思路是：首先获取链接的矩形区域坐标（x0, y0, x1, y1），然后筛选出所有位于该区域内的字符，最后将它们组合起来，即可得到链接的显示文本。这虽然涉及坐标计算，但对于处理复杂文档而言，是一项非常实用的技巧。

处理加密的PDF文档

若遇到受密码保护的PDF文件也无需担心。pdfplumber.open()方法提供了password参数，传入正确密码即可正常打开并解析。

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

• 为何提取不到链接？关键概念：pdfplumber提取的是PDF标准定义的“链接注释”对象。如果你的PDF文档中的网址仅以纯文本形式存在（而非可点击的链接对象），那么使用文本搜索或正则表达式进行匹配会是更直接有效的方法。
• 注意CroppedPage相关的潜在问题：如果你对页面对象执行了裁剪操作，可能会遇到与CroppedPage相关的超链接提取异常。若遇到此类情况，建议尝试将pdfplumber更新至最新版本，或者更稳妥的做法是：直接在原始的、未经裁剪的Page对象上进行链接提取。
• 扫描版PDF的处理限制：必须明确一点：pdfplumber主要适用于计算机直接生成的PDF文档。对于扫描版PDF（即由图片构成的文档），该库无法直接从中提取超链接甚至文本内容。在此类场景下，你需要先借助OCR技术（例如使用pytesseract等工具）将图片中的文字识别出来，再进行后续的分析与处理。