質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.50%
PDF

PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

Q&A

3回答

6557閲覧

PDFMinerを使ってPDF中に埋め込まれているリンクを取得する

Yhaya

総合スコア439

PDF

PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

0グッド

0クリップ

投稿2018/02/25 23:56

環境

Windows10
Python3.6
PDFMiner3

#知りたいこと
PDFMinerを使ってPythonでPDF処理をしたいと考えています。しかし、いろいろなサイトに書いてあるようなPDFResourceManager()PDFPageAggregator()などを用いて最終的に.get_text()でテキストを取得する方法ではリンクが埋め込まれている部分がただのプレーンテキストとしてでしか取得できません。

このようなリンクが埋め込まれているテキストからリンク先のアドレスを取得するためにはどのようにすればよいのでしょうか

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答3

0

pdfplumberを利用すればhyperlinksで抽出できます

pdfplumber
https://github.com/jsvine/pdfplumber

python

1import pdfplumber 2 3pdf = pdfplumber.open("data.pdf") 4page = pdf.pages[0] 5 6page.hyperlinks

hyperlinkとテキストは別々なので座標からテキストと関連付けが必要です

投稿2021/02/14 03:48

barobaro

総合スコア1286

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

0

以下の PDFMiner 本家 issue で、同様の事を考え自己解決されている方がいらっしゃいますね。
https://github.com/euske/pdfminer/issues/172

重要な点は、 PDF でのリンクが HTML のようにテキストの属性としてではなく、 文書の特定の座標位置に対するアノテーションとして実装されている ことかと思います。そのため、リンク自体は次のようにして PDFPage.annots を参照すれば得られるのですが、対応するテキストがすぐには得られません。

Subtype == 'Link' なアノテーションの処理は、 このへん が参考になると思います

python

1from pdfminer.pdftypes import resolve1 2 3found_links = [] 4 5for annot in resolve1(page.annots): 6 annot = resolve1(annot) 7 8 if annot['Subtype'].name == 'Link' and 'A' in annot: 9 link_info = resolve1(annot['A']) 10 11 if 'URI' in link_info: 12 found_links.push( 13 { 14 'uri': link_info['URI'], 15 'bbox': annot['Rect'], 16 } 17 )

そこで前掲の issue では、 PDFPage.mediabox にアノテーションの Rect を上書きして、ページサイズを無理やりアノテーションと同じサイズまで制限してからパースすることで、比較的お手軽にその領域のテキストを吐き出させているようでした。処理速度が気にならず、文書内のテキストとの密接な関係が必要ない場合はこれで良いかもしれません (例えば、同じ文字列に対するリンクが複数存在した場合、どちらかわからなくても良い場合) 。ただ、オリジナルの pdfminer 用の hack なので、pdfminer3k では動かないかもしれません。

今回は、 LTText.get_text() を使ってテキストを取得なさっているようなので、そのまま LTComponent.bbox を参照し、事前に取得した各リンクアノテーションの Rect と比較しながら処理していけば、文書中の位置と正しく対応させながらリンクURL が取得できると思います。

投稿2018/03/13 09:14

argparse

総合スコア1017

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

Yhaya

2018/03/13 14:31

回答ありがとうございます。コードの```resolve1(page.annots)```のところが良くわからないのですが、ここではpageは何を指しているのですか?
argparse

2018/03/21 11:25

`PDFPage` object ですね。 Yhaya さんが実際にどのようなコードで処理なされているのかは分からないのですが、例えば `PDFDocument.get_pages()` 等によって得られる object です。前掲のコードはそのまま動くものではないので、実際には PDFMiner によって処理を行うスクリプトの一部として組み込む必要があります。
guest

0

PDFをopen('XYZ.pdf', 'rb')で開いて、データからURLっぽいものを正規表現で全検索するのはいかがでしょう?

追記

この方法だと全然リンクを取得することは出来ません。すいませんでした。

投稿2018/02/26 00:43

編集2018/02/26 03:09
YouheiSakurai

総合スコア6142

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

Yhaya

2018/02/26 01:03

やってみましたが、URLを検索するとなぜがadobeのurlが検索されて出てきました。またリンクが張られているテキストを見てみたところ、Imageタグが付いているだけでした。
YouheiSakurai

2018/02/26 03:08

失礼しました。本当ですね、この方法だとリンクは全然取れませんね。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

まだベストアンサーが選ばれていません

会員登録して回答してみよう

アカウントをお持ちの方は

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問