Um PDF contém dezenas de hiperlinks para sites, endereços de e-mail e referências de documentos internos. Você precisa de uma lista de todos os links para verificação, arquivamento ou reaproveitamento. Clicar manualmente em cada link e copiar o URL é tedioso e sujeito a erros. Uma ferramenta de extração PDF Links lê as anotações do link do PDF e as exporta para uma lista estruturada.
Os hiperlinks em PDFs são armazenados como anotações de link, que são objetos na página com uma ação associada. A ação normalmente é uma ação de URI que abre um endereço da Web ou um cliente de email. A ferramenta de extração lê essas anotações, extrai as URLs e as compila em uma lista.
Como os hiperlinks de PDF são armazenados
Uma anotação de link de PDF tem dois componentes: uma região retangular na página que define a área clicável e uma ação que é executada quando a região é clicada. A ação URI armazena o URL de destino. O link também pode ter texto visível, as palavras que aparecem sublinhadas ou coloridas, mas a URL é armazenada na ação, não no texto visível.
Links internos usam ações GoTo que navegam para uma página específica ou destino nomeado dentro do documento. Estes não são URLs, mas comandos de navegação internos do PDF. A ferramenta de extração pode relatar o número da página de destino ou destino nomeado para links internos.
Extrair dados de PDF de anotações de link requer uma ferramenta que possa analisar a estrutura do PDF no nível do objeto. As ferramentas de extração de texto de uso geral não veem anotações de link porque as anotações não são conteúdo da página. É necessária uma ferramenta dedicada de extração de link.
Experimente Editar PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Extraindo e exportando links
Carregue o PDF em uma ferramenta de extração de links. A ferramenta verifica cada página em busca de anotações de links e compila os resultados. Cada entrada normalmente inclui o número da página, o texto do link visível, se disponível, o URL ou destino e o tipo de link, web, email ou interno.
WukongPDF fornece ferramentas PDF Export através do navegador. A extração de links está disponível como parte dos recursos de análise de documentos.
Organizando a lista de links extraídos
Exporte os links extraídos para um arquivo CSV ou Excel para classificação e filtragem. Agrupe links por tipo: sites externos, endereços de e-mail e referências de documentos internos. Verifique cada link externo testando uma amostra. Links em PDFs mais antigos podem apontar para sites que não existem mais.
Usando a lista de links para verificação e manutenção
Para documentos publicados, a lista de links serve como ferramenta de garantia de qualidade. Verifique se cada link navega para o destino pretendido e se nenhum link está quebrado. Atualize links quebrados no documento de origem e gere novamente o PDF.
Para PDFs arquivados, a lista de links documenta quais recursos externos o documento referenciou no momento da publicação. Esta informação tem valor histórico mesmo depois de os recursos vinculados não estarem mais disponíveis.
Tratamento de tipos de links especiais
Links de e-mail usando mailto: URLs devem ser verificados enviando uma mensagem de teste para cada endereço de e-mail extraído. Os endereços de e-mail em PDFs mais antigos podem não ser mais válidos. A extração do link informa o endereço conforme aparece no PDF sem validar se o endereço ainda está ativo.
Links JavaScript que executam código em vez de navegar para um URL não podem ser extraídos como URLs simples. A ferramenta de extração informa que existe uma ação JavaScript, mas não pode determinar seu destino. Esses links requerem inspeção manual para compreender sua finalidade.
Os links de anexos de arquivos que abrem arquivos incorporados no PDF são referências internas, não URLs externos. A ferramenta de extração informa o nome do anexo, mas não consegue extrair um URL. Para acessar os anexos, abra o PDF e utilize o painel de anexos.
Automatização da verificação de links para documentos grandes
Para documentos com centenas de links, a verificação automatizada de links economiza horas de verificação manual. Exporte a lista de links para CSV e use uma ferramenta de verificação de links que lê o CSV e testa cada URL. O verificador informa quais links retornam erros, redirecionam ou respondem lentamente.
Links quebrados em PDFs distribuídos criam uma experiência ruim para o leitor e sugerem que o documento está desatualizado. Agende verificação periódica de links para PDFs distribuídos ativamente. Atualize o documento de origem com links corrigidos e gere novamente o PDF.
PDFs que fazem parte de um site, o processo de verificação de link pode ser integrado ao fluxo de trabalho de verificação de link de site. As mesmas ferramentas que verificam links de sites podem processar listas de links de PDF extraídos, fornecendo relatórios unificados sobre a integridade dos links em todo o conteúdo publicado.
A lista de links extraída também pode servir como mapa do site do documento, mostrando como o documento se conecta a recursos externos. Esta visão em rede de referências de documentos é valiosa para compreender o escopo do documento e identificar recursos que podem precisar ser arquivados junto com o documento.
O relatório de extração de links deve distinguir entre links encontrados no texto da página visível e links que existem apenas na estrutura do PDF sem texto visível. Links invisíveis podem ocorrer quando a anotação do link cobre uma área da página sem conteúdo de texto.
Links em cabeçalhos e rodapés de PDF, como um URL no rodapé da página que se repete em todas as páginas, aparecem diversas vezes no relatório de extração. Agrupar esses links repetidos evita reportar a mesma URL dezenas de vezes.
Os destinos de link que usam endereços IP em vez de nomes de domínio devem ser sinalizados no relatório de extração. Links de endereços IP podem indicar que o PDF foi criado antes que o serviço de destino tivesse um nome de domínio adequado.
Quando a lista de links extraída for publicada junto com o PDF, verifique se nenhum URL interno ou administrativo foi incluído inadvertidamente. A extração de links pode revelar URLs que não foram destinados à visibilidade pública.
O processo de extração de links também pode identificar links internos quebrados que fazem referência a páginas ou destinos nomeados que não existem mais no documento. Esses links internos quebrados são becos sem saída de navegação para os leitores.
Para PDFs que fazem parte de uma coleção de documentos maior, consolide as listas de links extraídas de todos os documentos para criar um índice de links mestre. O índice mostra quais documentos fazem referência a quais recursos externos.
A correspondência de expressões regulares nos URLs extraídos pode identificar links que seguem padrões específicos, como links para um domínio específico, links com parâmetros de rastreamento ou links que usam protocolos obsoletos como HTTP.
A lista de links extraída é um artefato de metadados que deve ser arquivado junto com o PDF. Futuros pesquisadores podem usar a lista de links para compreender o contexto e as referências do documento sem abrir manualmente cada link.
Algumas ferramentas de criação de PDF incorporam informações do link no documento como texto que reflete o destino do link. Este texto pode aparecer ao lado ou abaixo do link clicável e pode ser extraído por extração de texto mesmo sem acesso à anotação do link.
Para conformidade com a acessibilidade, cada link em um PDF deve ter uma alternativa de texto discernível que descreva a finalidade do link. O relatório de extração de link pode ser usado para auditar a acessibilidade do link em todo o documento.
| Tipo de link | Ação PDF | Saída extraída | Verificação |
|---|---|---|---|
| URL externo | Ação de URI | URL completo | Link de teste; verifique se há redirecionamentos |
| E-mail (mailto:) | Ação de URI | Endereço de email | Enviar mensagem de teste |
| Referência da página interna | Ação Ir para | Número da página ou destino nomeado | Clique para verificar a navegação |
| Ligação JavaScript | Ação JavaScript | Código de ação (não URL) | Inspeção manual necessária |
A podridão de links, o fenômeno em que os hiperlinks param de funcionar com o tempo porque as páginas de destino são removidas ou reestruturadas, afeta os PDFs da mesma forma que afeta as páginas da web. Uma extração de link realizada hoje pode ser usada anos depois para auditar quais links em um PDF arquivado ainda estão ativos.
Ao extrair links de um portfólio PDF que contém vários documentos incorporados, cada documento incorporado possui seu próprio conjunto de links. A ferramenta de extração deve processar cada documento incorporado separadamente e rotular os links extraídos com o nome do documento de origem.
Links que usam encurtadores de URL como bit.ly ou t.co obscurecem o destino real. O relatório de extração inclui o URL abreviado encontrado no PDF. Resolver os URLs encurtados para seus destinos finais e incluir ambos no relatório fornece total transparência sobre o destino de cada link.
A lista de links extraída pode ser importada para uma planilha e classificada por domínio. A classificação por domínio revela quais sites externos o documento faz referência com mais frequência. Um documento vinculado predominantemente a um domínio pode ter uma relação de patrocínio ou afiliação com essa organização.
Para auditoria de acessibilidade, o relatório de extração de links pode identificar links que não possuem texto descritivo. Um link cujo texto visível é Clique aqui ou Leia mais não fornece contexto sobre seu destino. Esses links não descritivos devem ser atualizados no documento de origem para incluir um texto de link significativo.
PDFs governamentais e legais geralmente incluem links para estatutos, regulamentos e decisões judiciais. O relatório de extração de links para esses documentos serve como uma tabela de autoridades, listando cada referência legal com seu URL para verificação.
A extração de links é um recurso simples, mas poderoso, que transforma um PDF estático em um conjunto de dados estruturado de referências que pode ser verificado, analisado e reaproveitado.
A lista de links extraída serve como ferramenta de garantia de qualidade do documento e como recurso de referência para leitores que desejam explorar as fontes citadas.
Experimente Editar PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.