快捷導(dǎo)航

python使用pdfplumber庫一鍵提取pdf中的所有超鏈接

更新時(shí)間：2026年04月15日 09:23:47 作者：一位代碼

超鏈接在 pdf 中被歸類為“鏈接注釋”（Link Annotations）,本文將詳細(xì)介紹Python如何基于pdfplumber庫提取PDF中超鏈接,希望對(duì)大家有所幫助

前言

超鏈接在 pdf 中被歸類為“鏈接注釋”（Link Annotations）。

根據(jù) pdf 規(guī)范，超鏈接是一種特殊的注釋類型，其核心結(jié)構(gòu)包含定義可點(diǎn)擊區(qū)域的矩形、指定跳轉(zhuǎn)目標(biāo)的 URI 或頁面信息，以及可選的視覺樣式。這種設(shè)計(jì)允許 pdf 閱讀器識(shí)別并響應(yīng)用戶的點(diǎn)擊行為。

本文基于 python 開源庫 pdfplumber 來提取 pdf 中的超鏈接。

pdfplumber 庫，專門用于解析 pdf 文檔，可提取 pdf 的基本信息（作者、創(chuàng)建時(shí)間、修改時(shí)間…）及表格、文本、圖片、超鏈接等信息，基本可以滿足所有較為簡單的內(nèi)容提取。

pdfplumber 可直接使用 pip 命令進(jìn)行安裝，具體命令如下：

pip install pdfplumber

提取 pdf 中超鏈接詳解

pdfplumber 自帶的 .hyperlinks 屬性，專門用于獲得 pdf 中的所有超鏈接信息，返回結(jié)果為一個(gè)字典列表。

如以下代碼，使用 pdfplumber 打開 test.pdf 后，采用 .hyperlinks 屬性獲取每一頁的超鏈接信息。

import pdfplumber


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

上述代碼運(yùn)行后，返回結(jié)果為一個(gè)字典列表，內(nèi)容包含頁碼、URI（目標(biāo)地址）等超鏈接信息。如下圖：

然后根據(jù)需要，提取字典列表中的超鏈接即可。

完整代碼如下，直接復(fù)制該代碼，修改文件路徑為自己的 pdf 完整路徑，即可獲取到 pdf 所有頁中所有的超鏈接。

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}頁，共有{len(links)}個(gè)超鏈接！')
            else:
                print(f'第{page_number}頁，不存在超鏈接!')
    return res_links


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

以上僅為 pdf 中超鏈接提取的一種方法，可供參考。

方法補(bǔ)充

基本用法：提取所有超鏈接

核心代碼很簡單：打開 PDF，遍歷每一頁，然后從頁面的 hyperlinks 屬性中提取 uri（目標(biāo)網(wǎng)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:
                    # 每個(gè) link 是一個(gè)字典，'uri' 鍵存儲(chǔ)了目標(biāo)網(wǎng)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)

你也可以在遍歷時(shí)加上頁碼，方便記錄：

for i, page in enumerate(pdf.pages):
    links = page.hyperlinks
    if links:
        print(f"第 {i+1} 頁 有 {len(links)} 個(gè)鏈接")
        for link in links:
            print(f"  - {link.get('uri')}")
    else:
        print(f"第 {i+1} 頁 沒有鏈接")

高級(jí)用法：靈活處理

處理其他類型的鏈接

除了 uri（網(wǎng)頁鏈接），hyperlinks 可能還包含內(nèi)部鏈接（指向 PDF 內(nèi)其他頁面，鍵為 page）或文檔級(jí)鏈接（鍵為 nameddest）。

if 'uri' in link:
    print(f"網(wǎng)頁鏈接: {link['uri']}")
elif 'page' in link:
    print(f"內(nèi)部鏈接: 第 {link['page']} 頁")
elif 'nameddest' in link:
    print(f"命名目標(biāo): {link['nameddest']}")

提取鏈接的鏈接文本（高級(jí)技巧）

有時(shí)你需要知道鏈接所關(guān)聯(lián)的文本（例如“點(diǎn)擊這里”）。pdfplumber 本身不直接提供這個(gè)功能，但可以結(jié)合 chars 屬性（包含每個(gè)字符的詳細(xì)信息，如位置坐標(biāo)）來間接獲取。基本思路是獲取鏈接的矩形區(qū)域（x0, y0, x1, y1），然后篩選出落在這個(gè)區(qū)域內(nèi)的字符并組合成文本。這需要一定的坐標(biāo)計(jì)算，但能更精確地處理復(fù)雜文檔。

處理加密PDF

pdfplumber.open() 方法支持通過 password 參數(shù)打開加密的 PDF 文件。

with pdfplumber.open("encrypted.pdf", password="你的密碼") as pdf:
    # ... 正常提取鏈接

常見問題與注意事項(xiàng)

鏈接提取不到：pdfplumber 提取的是 PDF 中的 “鏈接注釋” (Link Annotations)。如果你需要提取的是文本內(nèi)容中直接以 URL 形式出現(xiàn)的字符串，直接使用文本搜索或正則表達(dá)式會(huì)更合適。
CroppedPage 相關(guān)Bug：如果你對(duì)頁面進(jìn)行了裁剪操作，可能會(huì)遇到與 CroppedPage 相關(guān)的超鏈接提取 Bug。如果遇到此類問題，可以嘗試更新 pdfplumber 到最新版本，或直接在原始 Page 對(duì)象上提取鏈接。
掃描版PDF：pdfplumber 主要用于處理由計(jì)算機(jī)生成的 PDF（Machine-generated PDFs）。如果 PDF 是掃描件（圖片形式），它無法直接提取其中的超鏈接或文本。你需要先用 OCR 技術(shù)（如 pytesseract）進(jìn)行識(shí)別。