python使用pdfplumber库一键提取pdf中的所有超链接

前言

在PDF的世界里，超链接有一个更专业的名字——“链接注释”。

根据PDF规范，它本质上是一种特殊的注释类型。其核心结构定义了用户可以点击的区域、指定了要跳转的目标地址（可能是网页URI，也可能是文档内的某个页面），并且可以设置一些视觉样式。正是这种设计，让PDF阅读器能够识别并响应我们的点击操作。

今天，我们就来聊聊如何用Python里的一个利器——pdfplumber库，把这些“藏”在PDF里的超链接给精准地“挖”出来。

pdfplumber这个库，专攻PDF文档解析。无论是文档的作者、创建时间这些基本信息，还是更复杂的表格、文本、图片，乃至我们今天的主角——超链接，它基本都能搞定，足以应对大多数常规的内容提取需求。

安装起来也毫不费力，一条pip命令就能搞定：

pip install pdfplumber

提取 pdf 中超链接详解

提取超链接，pdfplumber已经为我们准备好了现成的工具。每个页面对象都有一个.hyperlinks属性，调用它，就能直接获取当前页面上所有的超链接信息，返回的结果是一个字典列表，非常清晰。

来看一段基础代码。我们用pdfplumber打开一个名为“test.pdf”的文件，然后遍历每一页，通过.hyperlinks属性获取链接：

import pdfplumber


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

运行之后，你会得到一个结构化的列表，里面包含了链接所在的页码、目标URI地址等关键信息。效果类似下图所示：

接下来，我们只需要从这个字典列表里，把我们需要的信息（比如URI）提取出来就行了。

下面是一个完整的函数示例。你只需要把文件路径换成你自己的PDF文件完整路径，运行后就能得到文档里所有页面的所有超链接。

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，这只是提取PDF超链接的其中一种有效方法，供各位参考。

方法补充

基本用法：提取所有超链接

核心逻辑其实非常直观：打开PDF，循环遍历每一页，然后从页面的hyperlinks属性里取出uri（也就是目标网址）。

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)

如果你想更清楚地知道每个链接出自哪一页，可以在遍历时加上页码信息：

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")

高级用法：灵活处理

处理其他类型的链接

需要留意的是，hyperlinks返回的字典里，不一定只有uri（网页链接）。它还可能包含指向PDF文档内部其他页面的链接（键为page），或者指向文档内某个命名目标的链接（键为nameddest）。区分处理它们能让你的脚本更健壮。

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']}")

提取链接的链接文本（高级技巧）

有时候，我们不仅想知道链接指向哪里，还想知道这个链接在PDF里显示成什么文字（比如“点击这里”或“了解更多”）。pdfplumber本身没有直接提供这个功能，但我们可以通过一个“曲线救国”的方式来实现：利用页面的chars属性（它包含了页面上每个字符的详细信息，包括坐标）。基本思路是，先拿到链接的矩形区域坐标（x0, y0, x1, y1），然后筛选出所有落在这个区域内的字符，再把它们组合起来，就得到了链接文本。这涉及到一些坐标计算，但对于处理复杂文档来说，是个非常实用的技巧。

处理加密PDF

如果遇到加密的PDF文件也不用慌。pdfplumber.open()方法贴心地提供了password参数，传入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

• 链接提取不到？这里有个关键概念：pdfplumber提取的是PDF标准中的“链接注释”。如果你的PDF里，网址是直接以纯文本形式写在内容里的（而不是可点击的链接对象），那么用文本搜索或正则表达式去匹配会更直接有效。
• 小心CroppedPage相关的Bug：如果你对页面对象进行了裁剪操作，可能会遇到一些与CroppedPage相关的超链接提取Bug。万一碰到这种情况，可以尝试将pdfplumber更新到最新版本，或者更稳妥一点——直接在原始的、未经裁剪的Page对象上提取链接。
• 扫描版PDF无能为力：这一点必须明确：pdfplumber主要擅长处理计算机直接生成的PDF。如果你的PDF是扫描件（也就是一堆图片），那么库是无法直接从中提取超链接甚至文本的。这种场景下，你需要先借助OCR技术（比如pytesseract这样的工具）把图片文字识别出来，再进行后续处理。