ArrayKit

PDFからリンクを抽出

クリックできるリンクと、ページに印字されているだけのアドレスを、載っているページとともに集めます。

PDFからリンクを抽出

クリックできるリンクと、ページに印字されているだけのアドレスを、載っているページとともに集めます。

ページはこのタブの中で読まれ、どのアドレスにも要求は送られません。取得も追跡も報告も行いません。PDFは端末上に留まります。

ファイルがほかに何を漏らすかを確かめる

PDFからリンクを抽出 について

PDFはリンクを互いに無関係な二か所に持ち、たいていの書き出しは片方しか見ません。クリックできるリンクは注釈です——四角と、その裏にある処理。印字されたアドレスは単なる文字です。パンフレットに打たれたwww.example.comはまったくクリックできませんし、長いURLはたいてい2行に割れています。ここでは両方を集め、折り返されたものはつなぎ直し、印字とリンクの両方で同じ先を指しているアドレスは二重ではなく一度だけ数えます。各行には、アドレス、リンクの種類、どの語の下にあるか、現れるページが並びます。何かを取りに行くことはありません。読み取りは端末上で行われ、アドレスは文書が保存しているとおりに報告されます。

機能

  • クリックできる注釈と、本文に書かれたアドレスを一つの一覧にまとめます
  • 行をまたいで割れたアドレスは、数える前につなぎ直されます
  • メール、文書内のページジャンプ、ファイルやスクリプトを開くリンクを見分けます
  • 各四角の下にあるアンカーの文字も表示するので、リンクがどう名付けられていたか分かります
  • 重複をまとめ、種類やドメインで絞り込み、ページ順やドメイン順に並べ替え
  • 複数のPDFを同時に処理し、どの行にも元のファイル名が残ります
  • CSVとプレーンテキストの書き出しは、画面上のものだけでなく全行を含みます
  • リンクがウェブページではなく添付を開いたりスクリプトを走らせたりする場合は警告

PDFからリンクを抽出 の使い方

  1. PDFを1つ以上ページに置きます
  2. 各ページの注釈とテキスト層が読まれるのを待ちます
  3. 種類やドメインで絞り込むか、「重複をまとめる」を切って出現をすべて見ます
  4. 一覧をコピーするか、ページ番号付きのCSVをダウンロードします

例

入力

conference-programme.pdf — 48 pages

出力

214 occurrences · 96 unique URLs · 31 domains · 12 emails · 40 internal jumps → conference-programme-links.csv

文書内のジャンプはページ参照なので、素のURLの一覧には入りません。

よくあるエラーとトラブルシューティング

  • アドレスだらけの文書なのに何も見つかりませんでした。 — スキャンにはテキスト層がなく、注釈も無いことが多いので、読むものがありません。まず「PDFのOCR」をかけ、それから抽出し直してください。
  • 一覧に出たリンクが切れています。 — アドレスに接続することはないので、切れたURLや転送されるURLも保存されたとおりに出ます。つながるかどうかの確認は、ブラウザーで行う別の手順です。
  • 2つの行が同じアドレスに見えます。 — どこか意味のあるところが違います。まとめる際に無視されるのは、スキーム、先頭のwww.、ホスト名の大文字小文字、既定のポート、末尾のスラッシュ、空のフラグメントだけです。クエリ文字列とパスは残します。別のページを指しているからです。
  • 行の切れ目をまたいで印字されたアドレスが途中で切れました。 — ハイフンやパスのようなスラッシュの後など、切れ目がアドレスの一部に見えるときはつなぎ直します。句点の後の切れ目は文の終わりなので、そのまま残します。そのページの文面を確かめてください。

よくある質問

リンクの抽出でアドレスへ接続したり、動作するか試したりしますか。
しません。何も取得せず、名前解決も展開もしません。短縮リンクさえ広げません。すべてのアドレスは文書が保存しているとおりに報告されます。だからこそ、切れたURLも一覧に出ます。
結果に出るクリックできるリンクと文字のリンクは何が違いますか。
クリックできるリンクは、閲覧ソフトで作動させられる注釈です。文字のリンクは、ページに打たれただけで誰もクリックできるようにしなかったアドレスです。紙の上ではリンクのように読めますが、触っても何も起きません。
一部の行にウェブアドレスではなく「ファイル / 起動」と出るのはなぜですか。
そのリンクがページではなく、別の文書・添付・スクリプトを開くからです。外から来たPDFを信用する前に、じっくり読むだけの価値があります。
レポートのフォルダーごと、まとめてリンクを集められますか。
集められます。PDFをまとめて置けば、どの行にも元のファイル名が残るので、1つのCSVで全体を覆いながら、どのアドレスがどの文書のものかも分かります。
文書内の別ページへのジャンプも含まれますか。
含まれます。可能ならページ番号に解決し、解決できないときは行き先の名前で表示します。「12ページ」はURLではないので、素のアドレスの一覧からは外されます。

関連ツール

  • PDFインスペクター — バージョン・ページサイズ・フォント・画像・フォーム・セキュリティ・規格を確認。
  • PDF からテキスト — PDFから選択可能なテキストをプレーンテキストまたはMarkdownとして抽出します。
  • PDFのプライバシー検査 — PDFに潜む情報欄と個人情報を洗い出します。
  • PDFの無害化 — JavaScript・自動実行のアクション・埋め込みファイルなど動く内容を除去。
  • PDFのOCR — スキャンしたPDFの文字を認識し、検索できるようにします。
  • PDFメタデータ編集 — PDFのタイトル・作成者などを表示・変更・消去。
  • PDFの文字数カウント — PDFの語数・文字数・ページ数を、ページごとの内訳つきで数えます。

PDFの他のツール

  • 画像から PDF — 複数の画像を1つのPDFに結合します（自動 / 縦 / 横）。
  • PDF から画像 — PDFのページをダウンロード可能なPNGまたはJPG画像に変換します。
  • PDF を結合 — 複数のPDFを並べ替えながら1つに結合します。
  • PDF を分割 — ページや範囲（例: 1-3,5,7-9）を抽出して新しいPDFにします。
  • PDF を回転 — すべてのページまたは選択したページを 90/180/270° 回転します。
  • PDF を整理 — サムネイルからページの並べ替え・回転・削除を行い、書き出します。
  • ページ番号を追加 — PDFにページ番号を刻印します（位置、書式、開始番号）。
  • PDF 透かし — 各ページに斜めのテキスト透かしを追加します。
  • PDF をトリミング — クロップボックスで各ページの余白をトリミングします。
  • PDF からテキスト — PDFから選択可能なテキストをプレーンテキストまたはMarkdownとして抽出します。
  • PDF を比較 — 2つのPDFから抽出したテキストを行単位で比較します。
  • PDF を暗号化 — AES-256 または RC4 で PDF にパスワード保護を追加します。
  • PDF を復号 — 暗号化された PDF からパスワード保護を解除します。
  • PDF を圧縮 — 各ページを選択した画質・解像度でJPEGに再描画してPDFを軽量化します。
  • PDFメタデータ編集 — PDFのタイトル・作成者などを表示・変更・消去。
  • PDFサイズ変更 — PDFの各ページをA4・レターなどに統一。
  • PDFフラット化 — 記入済みフォームの入力欄を紙面に固定します。
  • PDF 1枚に複数ページ — 1枚に2・4・9・16ページ、小冊子順序にも対応。
  • PDFのページを交互に結合 — 奇数面と偶数面のスキャンを一つの文書に戻し、必要なら逆順に。
  • PDFを1枚の長いページに — 全ページを1枚の連続したシートに並べ、スクロールで読めるように。
  • PDFフォームデータ抽出 — 記入済みPDFの回答をJSONやCSVで取り出す。
  • 白紙ページ削除ツール — スキャンの空きページを見つけて取り除く。
  • テキストをPDFに — 入力または貼り付けた文字を、ページ分割されたPDFにします。
  • MarkdownをPDFに — Markdownの見出し・箇条書き・表・コードをPDFに組みます。

PDFのツールをすべて見る (85) · すべてのツール