PDF-файл содержит десятки гиперссылок на веб-сайты, адреса электронной почты и ссылки на внутренние документы. Вам понадобится список каждой ссылки для проверки, архивирования или повторного использования. Щелкать каждую ссылку вручную и копировать URL-адрес утомительно и подвержено ошибкам. Инструмент извлечения PDF Links считывает аннотации ссылок из PDF-файла и экспортирует их в структурированный список.
Гиперссылки в PDF-файлах хранятся в виде аннотаций ссылок, которые представляют собой объекты на странице со связанным действием. Обычно это действие URI, которое открывает веб-адрес или почтовый клиент. Инструмент извлечения считывает эти аннотации, извлекает URL-адреса и компилирует их в список.
Как хранятся гиперссылки PDF
Аннотация ссылки PDF состоит из двух компонентов: прямоугольной области на странице, определяющей кликабельную область, и действия, которое выполняется при щелчке по этой области. Действие URI сохраняет целевой URL-адрес. Ссылка также может иметь видимый текст, слова, которые отображаются подчеркнутыми или цветными, но URL-адрес сохраняется в действии, а не в видимом тексте.
Внутренние ссылки используют действия GoTo, которые позволяют перейти к определенной странице или указанному месту назначения в документе. Это не URL-адреса, а внутренние навигационные команды PDF. Инструмент извлечения может сообщать номер целевой страницы или названное место назначения для внутренних ссылок.
Извлечение данных PDF из аннотаций ссылок требует инструмента, который может анализировать структуру PDF на уровне объекта. Инструменты извлечения текста общего назначения не видят аннотации ссылок, поскольку аннотации не являются содержимым страницы. Необходим специальный инструмент для извлечения ссылок.
Попробуйте редактировать PDF
Никакой установки не требуется. Работает прямо в вашем браузере.
Извлечение и экспорт ссылок
Загрузите PDF-файл в инструмент извлечения ссылок. Инструмент сканирует каждую страницу на предмет аннотаций ссылок и компилирует результаты. Каждая запись обычно включает номер страницы, видимый текст ссылки, если она доступна, URL-адрес или место назначения, а также тип ссылки: веб-страница, электронная почта или внутренняя.
WukongPDF предоставляет инструменты PDF Export через браузер. Извлечение ссылок доступно как часть функций анализа документов.
Организация извлеченного списка ссылок
Экспортируйте извлеченные ссылки в файл CSV или Excel для сортировки и фильтрации. Группируйте ссылки по типу: внешние веб-сайты, адреса электронной почты и внутренние ссылки на документы. Проверьте каждую внешнюю ссылку, протестировав образец. Ссылки в старых PDF-файлах могут указывать на несуществующие веб-сайты.
Использование списка ссылок для проверки и обслуживания
Для опубликованных документов список ссылок служит инструментом обеспечения качества. Убедитесь, что каждая ссылка ведет к нужному месту назначения и все ссылки не повреждены. Обновите неработающие ссылки в исходном документе и заново создайте PDF-файл.
Для архивных PDF-файлов в списке ссылок указано, на какие внешние ресурсы ссылался документ на момент публикации. Эта информация имеет историческую ценность даже после того, как связанные ресурсы больше не доступны.
Обработка специальных типов ссылок
Ссылки по электронной почте с использованием mailto: URL-адреса должны быть проверены путем отправки тестового сообщения на каждый извлеченный адрес электронной почты. Адреса электронной почты в старых PDF-файлах могут стать недействительными. При извлечении ссылки адрес сообщается в том виде, в котором он отображается в PDF-файле, без проверки того, активен ли адрес.
Ссылки JavaScript, которые выполняют код, а не осуществляют переход к URL-адресу, не могут быть извлечены как простые URL-адреса. Инструмент извлечения сообщает, что действие JavaScript существует, но не может определить его цель. Эти ссылки требуют ручной проверки, чтобы понять их назначение.
Ссылки на вложения файлов, которые открывают встроенные файлы в PDF-файле, являются внутренними ссылками, а не внешними URL-адресами. Инструмент извлечения сообщает имя вложения, но не может извлечь URL-адрес. Чтобы получить доступ к вложениям, откройте PDF-файл и используйте панель вложений.
Автоматическая проверка ссылок для больших документов
Для документов с сотнями ссылок автоматическая проверка ссылок экономит часы ручной проверки. Экспортируйте список ссылок в CSV, затем используйте инструмент проверки ссылок, который считывает CSV и проверяет каждый URL-адрес. Проверка сообщает, какие ссылки возвращают ошибки, перенаправляются или медленно отвечают.
Неработающие ссылки в распространяемых PDF-файлах создают неудобства для чтения и предполагают, что документ устарел. Запланируйте периодическую проверку ссылок для активно распространяемых PDF-файлов. Обновите исходный документ, добавив исправленные ссылки, и заново создайте PDF-файл.
PDF-файлы, являющиеся частью веб-сайта, процесс проверки ссылок можно интегрировать с рабочим процессом проверки ссылок на веб-сайт. Те же инструменты, которые проверяют ссылки на веб-сайтах, могут обрабатывать извлеченные списки ссылок в формате PDF, предоставляя унифицированные отчеты о состоянии ссылок для всего опубликованного контента.
Извлеченный список ссылок также может служить картой сайта для документа, показывая, как документ подключается к внешним ресурсам. Такое сетевое представление ссылок на документы полезно для понимания объема документа и определения ресурсов, которые, возможно, потребуется заархивировать вместе с документом.
В отчете об извлечении ссылок следует различать ссылки, обнаруженные в видимом тексте страницы, и ссылки, существующие только в структуре PDF без видимого текста. Невидимые ссылки могут возникать, когда аннотация ссылки охватывает область страницы без текстового содержимого.
Ссылки в верхних и нижних колонтитулах PDF, например URL-адрес в нижнем колонтитуле страницы, который повторяется на каждой странице, появляются в отчете об извлечении несколько раз. Группирование этих повторяющихся ссылок позволяет избежать повторения одного и того же URL-адреса десятки раз.
Пункты назначения ссылок, использующие IP-адреса, а не доменные имена, должны быть помечены в отчете об извлечении. Ссылки на IP-адреса могут указывать на то, что PDF-файл был создан до того, как у целевой службы было правильное доменное имя.
Когда извлеченный список ссылок будет опубликован вместе с PDF-файлом, убедитесь, что никакие внутренние или административные URL-адреса не были случайно включены. Извлечение ссылок может выявить URL-адреса, которые не были предназначены для публичного просмотра.
Процесс извлечения ссылок также может выявить неработающие внутренние ссылки, которые ссылаются на страницы или названные места назначения, которые больше не существуют в документе. Эти неработающие внутренние ссылки представляют собой тупик навигации для читателей.
Для PDF-файлов, которые являются частью более крупной коллекции документов, объедините извлеченные списки ссылок из всех документов, чтобы создать главный индекс ссылок. Индекс показывает, какие документы ссылаются на какие внешние ресурсы.
Сопоставление регулярных выражений в извлеченных URL-адресах позволяет идентифицировать ссылки, соответствующие определенным шаблонам, например ссылки на определенный домен, ссылки с параметрами отслеживания или ссылки, использующие устаревшие протоколы, такие как HTTP.
Извлеченный список ссылок представляет собой артефакт метаданных, который следует архивировать вместе с PDF-файлом. Будущие исследователи смогут использовать список ссылок, чтобы понять контекст документа и ссылки, не открывая каждую ссылку вручную.
Некоторые инструменты создания PDF-файлов встраивают информацию о ссылке в документ в виде текста, который отражает место назначения ссылки. Этот текст может отображаться рядом или под кликабельной ссылкой и может быть извлечен путем извлечения текста даже без доступа к аннотации ссылки.
Для обеспечения доступности каждая ссылка в PDF-файле должна иметь различимый текстовый вариант, описывающий назначение ссылки. Отчет об извлечении ссылок можно использовать для проверки доступности ссылок в документе.
| Тип соединения | Действие PDF | Извлеченный вывод | Проверка |
|---|---|---|---|
| Внешний URL-адрес | URI-действие | Полный URL-адрес | Тестовая ссылка; проверить перенаправления |
| Электронная почта (mailto:) | URI-действие | Адрес электронной почты | Отправить тестовое сообщение |
| Ссылка на внутреннюю страницу | Действие «Перейти» | Номер страницы или указанное место назначения | Нажмите, чтобы проверить навигацию |
| ссылка на JavaScript | Действие JavaScript | Код действия (не URL) | Требуется ручная проверка |
Гниль ссылок, явление, при котором гиперссылки со временем перестают работать из-за удаления или реструктуризации целевых страниц, влияет на PDF-файлы так же, как и на веб-страницы. Извлечение ссылок, выполненное сегодня, может быть использовано годы спустя для проверки того, какие ссылки в архивном PDF-файле все еще активны.
При извлечении ссылок из портфолио PDF, содержащего несколько встроенных документов, каждый внедренный документ имеет свой собственный набор ссылок. Инструмент извлечения должен обрабатывать каждый внедренный документ отдельно и помечать извлеченные ссылки именем исходного документа.
Ссылки, в которых используются сокращатели URL-адресов, такие как bit.ly или t.co, скрывают фактическое место назначения. Отчет об извлечении включает сокращенный URL-адрес, указанный в PDF-файле. Разрешение сокращенных URL-адресов до их конечных пунктов назначения и включение обоих в отчет обеспечивает полную прозрачность того, куда ведет каждая ссылка.
Извлеченный список ссылок можно импортировать в электронную таблицу и отсортировать по домену. Сортировка по домену показывает, на какие внешние веб-сайты документ ссылается чаще всего. Документ, который ссылается преимущественно на один домен, может иметь спонсорские или аффилированные отношения с этой организацией.
Для аудита доступности отчет об извлечении ссылок может выявить ссылки, у которых отсутствует описательный текст. Ссылка с видимым текстом «Нажмите здесь» или «Читать далее» не предоставляет контекста относительно ее назначения. Эти неописательные ссылки должны быть обновлены в исходном документе, чтобы включить содержательный текст ссылки.
Правительственные и юридические PDF-файлы часто содержат ссылки на законы, постановления и судебные решения. Отчет об извлечении ссылок для этих документов представляет собой таблицу авторитетов, в которой перечислены все юридические ссылки с URL-адресами для проверки.
Извлечение ссылок — это простая, но мощная функция, которая преобразует статический PDF-файл в структурированный набор данных ссылок, который можно проверять, анализировать и перепрофилировать.
Извлеченный список ссылок служит инструментом обеспечения качества документа и справочным ресурсом для читателей, желающих изучить цитируемые источники.
Попробуйте редактировать PDF
Никакой установки не требуется. Работает прямо в вашем браузере.