Соберите все кликабельные ссылки и все адреса, просто напечатанные на странице, вместе со страницами, где они стоят.
Извлечение ссылок из PDF
Соберите все кликабельные ссылки и все адреса, просто напечатанные на странице, вместе со страницами, где они стоят.
Страницы читаются в этой вкладке, и ни один адрес никогда не запрашивается — ничего не открывается, не отслеживается и никуда не сообщается. PDF остаются на вашем устройстве.
PDF держит ссылки в двух не связанных между собой местах, и большинство выгрузок смотрит только в одно. Кликабельные ссылки — это аннотации: прямоугольник с действием за ним. Напечатанные адреса — обычный текст: www.example.com, набранный в брошюре, не кликабелен вовсе, а длинный URL обычно разорван на две строки. Здесь собирается и то, и другое, разорванные адреса сшиваются обратно, а адрес, который и напечатан, и стоит ссылкой на то же место, считается один раз, а не дважды. В каждой строке видно адрес, вид ссылки, слова, под которыми она стоит, и страницы, где встречается. Ничего никогда не запрашивается: чтение идёт на вашем устройстве, а адреса сообщаются точно так, как их хранит документ.
Возможности
Кликабельные аннотации и адреса, вписанные в текст, собраны в один список
Адреса, разорванные переносом строки, сшиваются до подсчёта
Почта, внутренние переходы по страницам и ссылки, открывающие файл или скрипт, различаются между собой
Текст под каждым прямоугольником, чтобы видеть, как была подписана ссылка
Объединение дублей, фильтр по виду или домену и сортировка по странице или домену
Несколько PDF за раз, с исходным файлом в каждой строке
Выгрузка в CSV и обычный текст со всеми строками, а не только видимыми на экране
Предупреждение, когда ссылка открывает вложение или запускает скрипт вместо веб-страницы
Как использовать Извлечение ссылок из PDF
Перетащите на страницу один или несколько PDF
Дождитесь, пока будут прочитаны аннотации и текстовый слой каждой страницы
Отфильтруйте по виду или домену либо отключите объединение дублей, чтобы увидеть каждое вхождение
Скопируйте список или скачайте его как CSV с номерами страниц
Внутренние переходы — это ссылки на страницы, поэтому в простой список URL они не попадают.
Частые ошибки и устранение неполадок
В документе, полном адресов, ничего не найдено. — У скана нет текстового слоя и обычно нет аннотаций, поэтому читать нечего. Сначала запустите «OCR для PDF», затем извлекайте снова.
Одна из найденных ссылок не работает. — Адреса никогда не открываются, поэтому мёртвый или переехавший URL всё равно появляется в точности как сохранён. Проверка того, отвечает ли он, — отдельный шаг, который вы делаете в браузере.
Две строки выглядят одним и тем же адресом. — Они где-то различаются, и это важно. При объединении игнорируются только схема, ведущий www., регистр хоста, порты по умолчанию, завершающая косая черта и пустой фрагмент — строки запроса и пути сохраняются, потому что ведут на разные страницы.
Адрес, напечатанный через перенос строки, вышел обрезанным. — Он сшивается, когда перенос выглядит частью адреса: после дефиса или косой черты, похожей на путь. Перенос после точки завершает предложение, поэтому его оставляют как есть; проверьте формулировку на той странице.
Часто задаваемые вопросы
Открывает ли извлечение адреса и проверяет ли, работают ли они?
Нет. Ничего не запрашивается, не разрешается и не раскрывается, даже сокращённая ссылка. Каждый адрес сообщается так, как его хранит документ, — именно поэтому мёртвый URL всё равно попадает в список.
Чем кликабельная ссылка отличается в результатах от текстовой?
Кликабельная ссылка — это аннотация, которую читалка может активировать. Текстовая ссылка — адрес, набранный на странице, который никто так и не сделал кликабельным: на бумаге он читается как ссылка, но нажатие ничего не даёт.
Почему в части строк написано «Файл / запуск» вместо веб-адреса?
Потому что ссылка открывает другой документ, вложение или скрипт, а не страницу. Такие стоит внимательно прочитать, прежде чем доверять PDF, пришедшему со стороны.
Можно ли собрать ссылки сразу из целой папки отчётов?
Да. Перетащите PDF вместе, и каждая строка сохранит файл, из которого пришла, поэтому один CSV покроет весь пакет, а вы всё равно увидите, какому документу принадлежит каждый адрес.
Включаются ли переходы на другие страницы внутри документа?
Да, приведённые к номеру страницы, где это возможно, и к имени цели, где привести не удалось. В простой список адресов они не входят, поскольку «страница 12» — это не URL.
Связанные инструменты
Инспектор PDF — Показывает версию PDF, размеры страниц, шрифты, картинки, формы, защиту и стандарты.
PDF в текст — Извлекайте выделяемый текст из PDF в виде обычного текста или Markdown.