Un PDF contiene docenas de hipervínculos a sitios web, direcciones de correo electrónico y referencias de documentos internos. Necesita una lista de cada enlace para verificarlo, archivarlo o reutilizarlo. Hacer clic manualmente en cada enlace y copiar la URL es tedioso y propenso a errores. Una herramienta de extracción PDF Links lee las anotaciones de enlaces del PDF y las exporta a una lista estructurada.
Los hipervínculos en archivos PDF se almacenan como anotaciones de vínculos, que son objetos en la página con una acción asociada. La acción suele ser una acción URI que abre una dirección web o un cliente de correo electrónico. La herramienta de extracción lee estas anotaciones, extrae las URL y las compila en una lista.
Cómo se almacenan los hipervínculos PDF
Una anotación de enlace PDF tiene dos componentes: una región rectangular en la página que define el área en la que se puede hacer clic y una acción que se ejecuta cuando se hace clic en la región. La acción URI almacena la URL de destino. El enlace también puede tener texto visible, las palabras que aparecen subrayadas o coloreadas, pero la URL se almacena en la acción, no en el texto visible.
Los enlaces internos utilizan acciones Ir a que navegan a una página específica o a un destino con nombre dentro del documento. Estas no son URL sino comandos de navegación internos de PDF. La herramienta de extracción puede informar el número de página de destino o el destino designado para los enlaces internos.
Extraer datos PDF de anotaciones de enlaces requiere una herramienta que pueda analizar la estructura del PDF a nivel de objeto. Las herramientas de extracción de texto de uso general no ven anotaciones de enlaces porque las anotaciones no son contenido de la página. Se necesita una herramienta de extracción de enlaces dedicada.
Extracción y exportación de enlaces
Cargue el PDF en una herramienta de extracción de enlaces. La herramienta escanea cada página en busca de anotaciones de enlaces y compila los resultados. Cada entrada normalmente incluye el número de página, el texto del enlace visible si está disponible, la URL o destino y el tipo de enlace: web, correo electrónico o interno.
WukongPDF proporciona herramientas de Exportación de PDF a través del navegador. La extracción de enlaces está disponible como parte de las funciones de análisis de documentos.
Organización de la lista de enlaces extraídos
Exporte los enlaces extraídos a un archivo CSV o Excel para ordenarlos y filtrarlos. Enlaces de grupo por tipo: sitios web externos, direcciones de correo electrónico y referencias de documentos internos. Verifique cada enlace externo probando una muestra. Los enlaces en archivos PDF más antiguos pueden dirigir a sitios web que ya no existen.
Uso de la lista de enlaces para verificación y mantenimiento
Para los documentos publicados, la lista de enlaces sirve como herramienta de control de calidad. Verifique que cada enlace navegue al destino previsto y que ningún enlace esté roto. Actualice los enlaces rotos en el documento fuente y regenere el PDF.
Para archivos PDF archivados, la lista de enlaces documenta a qué recursos externos hizo referencia el documento en el momento de la publicación. Esta información tiene valor histórico incluso después de que los recursos vinculados ya no estén disponibles.
Manejo de tipos de enlaces especiales
Enlaces de correo electrónico usando mailto: las URL deben verificarse enviando un mensaje de prueba a cada dirección de correo electrónico extraída. Es posible que las direcciones de correo electrónico de archivos PDF antiguos ya no sean válidas. La extracción del enlace informa la dirección tal como aparece en el PDF sin validar si la dirección todavía está activa.
Los enlaces de JavaScript que ejecutan código en lugar de navegar a una URL no se pueden extraer como URL simples. La herramienta de extracción informa que existe una acción de JavaScript pero no puede determinar su objetivo. Estos enlaces requieren una inspección manual para comprender su propósito.
Los enlaces de archivos adjuntos que abren archivos incrustados dentro del PDF son referencias internas, no URL externas. La herramienta de extracción informa el nombre del archivo adjunto pero no puede extraer una URL. Para acceder a los archivos adjuntos, abra el PDF y utilice el panel de archivos adjuntos.
Automatización de la verificación de enlaces para documentos grandes
Para documentos con cientos de enlaces, la verificación automática de enlaces ahorra horas de verificación manual. Exporte la lista de enlaces a CSV, luego use una herramienta de verificación de enlaces que lea el CSV y pruebe cada URL. El verificador informa qué enlaces devuelven errores, redireccionan o responden lentamente.
Los enlaces rotos en archivos PDF distribuidos crean una mala experiencia para el lector y sugieren que el documento está desactualizado. Programe una verificación periódica de enlaces para archivos PDF distribuidos activamente. Actualice el documento fuente con enlaces corregidos y vuelva a generar el PDF.
En archivos PDF que forman parte de un sitio web, el proceso de verificación de enlaces se puede integrar con el flujo de trabajo de verificación de enlaces del sitio web. Las mismas herramientas que verifican los enlaces a sitios web pueden procesar listas de enlaces PDF extraídas, proporcionando informes unificados sobre el estado de los enlaces en todo el contenido publicado.
La lista de enlaces extraída también puede servir como mapa del sitio para el documento, mostrando cómo el documento se conecta a recursos externos. Esta vista de red de referencias de documentos es valiosa para comprender el alcance del documento e identificar los recursos que pueden necesitar archivarse junto con el documento.
El informe de extracción de enlaces debe distinguir entre enlaces que se encontraron en el texto de la página visible y enlaces que existen sólo en la estructura del PDF sin texto visible. Los enlaces invisibles pueden ocurrir cuando la anotación del enlace cubre un área de la página sin contenido de texto.
Los enlaces en encabezados y pies de página de PDF, como una URL en el pie de página que se repite en cada página, aparecen varias veces en el informe de extracción. Agrupar estos enlaces repetidos evita informar la misma URL decenas de veces.
Los destinos de enlace que utilizan direcciones IP en lugar de nombres de dominio deben marcarse en el informe de extracción. Los enlaces de direcciones IP pueden indicar que el PDF se creó antes de que el servicio de destino tuviera un nombre de dominio adecuado.
Cuando la lista de enlaces extraídos se publique junto con el PDF, verifique que no se haya incluido inadvertidamente ninguna URL interna o administrativa. La extracción de enlaces puede revelar URL que no estaban destinadas a la visibilidad pública.
El proceso de extracción de enlaces también puede identificar enlaces internos rotos que hacen referencia a páginas o destinos nombrados que ya no existen en el documento. Estos enlaces internos rotos son callejones sin salida para la navegación de los lectores.
Para archivos PDF que forman parte de una colección de documentos más grande, consolide las listas de enlaces extraídos de todos los documentos para crear un índice de enlaces maestro. El índice muestra qué documentos hacen referencia a qué recursos externos.
La coincidencia de expresiones regulares en las URL extraídas puede identificar enlaces que siguen patrones específicos, como enlaces a un dominio particular, enlaces con parámetros de seguimiento o enlaces que utilizan protocolos obsoletos como HTTP.
La lista de enlaces extraída es un artefacto de metadatos que debe archivarse junto con el PDF. Los futuros investigadores pueden utilizar la lista de enlaces para comprender el contexto del documento y las referencias sin abrir manualmente cada enlace.
Algunas herramientas de creación de PDF incorporan información del enlace en el documento como texto que refleja el destino del enlace. Este texto puede aparecer junto o debajo del enlace en el que se puede hacer clic y se puede extraer mediante extracción de texto incluso sin acceso a anotaciones de enlace.
Para cumplir con la accesibilidad, cada enlace en un PDF debe tener una alternativa de texto discernible que describa el propósito del enlace. El informe de extracción de enlaces se puede utilizar para auditar la accesibilidad de los enlaces en todo el documento.
| Tipo de enlace | Acción PDF | Salida extraída | Verificación |
|---|---|---|---|
| URL externa | acción URI | URL completa | Enlace de prueba; comprobar si hay redirecciones |
| Correo electrónico (correo a:) | acción URI | Dirección de correo electrónico | Enviar mensaje de prueba |
| Referencia de página interna | Acción Ir a | Número de página o destino designado | Haga clic para verificar la navegación |
| enlace javascript | Acción de JavaScript | Código de acción (no URL) | Se requiere inspección manual |
La descomposición de enlaces, el fenómeno por el cual los hipervínculos dejan de funcionar con el tiempo porque las páginas de destino se eliminan o reestructuran, afecta a los archivos PDF del mismo modo que afecta a las páginas web. Una extracción de enlaces realizada hoy puede usarse años más tarde para auditar qué enlaces en un PDF archivado todavía están activos.
Al extraer enlaces de un portafolio PDF que contiene varios documentos incrustados, cada documento incrustado tiene su propio conjunto de enlaces. La herramienta de extracción debe procesar cada documento incrustado por separado y etiquetar los enlaces extraídos con el nombre del documento fuente.
Los enlaces que utilizan acortadores de URL como bit.ly o t.co ocultan el destino real. El informe de extracción incluye la URL abreviada que se encuentra en el PDF. Resolver las URL acortadas en sus destinos finales e incluir ambas en el informe proporciona total transparencia sobre adónde conduce cada enlace.
La lista de enlaces extraída se puede importar a una hoja de cálculo y ordenarla por dominio. La clasificación por dominio revela a qué sitios web externos hace referencia el documento con más frecuencia. Un documento que enlaza predominantemente con un dominio puede tener una relación de patrocinio o afiliación con esa organización.
Para la auditoría de accesibilidad, el informe de extracción de enlaces puede identificar enlaces que carecen de texto descriptivo. Un enlace cuyo texto visible es Haga clic aquí o Leer más no proporciona contexto sobre su destino. Estos enlaces no descriptivos deben actualizarse en el documento fuente para incluir un texto de enlace significativo.
Los PDF gubernamentales y legales a menudo incluyen enlaces a estatutos, regulaciones y decisiones judiciales. El informe de extracción de enlaces para estos documentos sirve como una tabla de autoridades, que enumera cada referencia legal con su URL para su verificación.
La extracción de enlaces es una capacidad simple pero poderosa que transforma un PDF estático en un conjunto de datos estructurados de referencias que se pueden verificar, analizar y reutilizar.
La lista de enlaces extraída sirve como herramienta de control de calidad del documento y como recurso de referencia para los lectores que quieran explorar las fuentes citadas.