Links aus PDF extrahieren

Der PDF-Link-Extraktor liest die seitenweise Annotationsliste eines PDFs — genau das, was eine Reader-Bibliothek wie pdf.js aus getAnnotations zurückgibt — und liefert jeden gefundenen Hyperlink mit seiner Seitenzahl und Ziel-URL. Es ist der fehlende Schritt zwischen „Ich habe die Annotationen“ und „Ich weiß, wohin dieses Dokument verweist“: ein deterministischer Durchlauf, ohne Rendering, ohne OCR und ohne Raten. Rein interne Links und Annotationen, die keine Links sind, werden herausgefiltert, sodass Sie eine saubere, geordnete Liste der externen Verweise des Dokuments erhalten — bereit für ein Audit, eine Seed-Liste für einen Crawler oder eine Compliance-Prüfung.

Warum Annotationen und nicht Rohtext

Links durch Durchsuchen des extrahierten Textes zu finden, ist unzuverlässig: Eine im Text sichtbare URL ist möglicherweise nicht anklickbar, und ein anklickbarer Link kann einen Ankertext zeigen, der seinem Ziel in nichts gleicht. Die maßgebliche Quelle, um Links aus PDF zu extrahieren, ist die Annotationsebene. PDF-Reader speichern interaktive Elemente als Annotationen, die an eine Seite gebunden sind, und Hyperlinks leben dort als Einträge vom Subtyp Link mit einer URI.

Diese Fähigkeit nimmt diese Liste als Eingabe entgegen — ein Datensatz pro Annotation mit Seitenzahl, Subtyp und optionaler URI — und filtert sie bis zu den tatsächlichen ausgehenden Hyperlinks. Da die Seitenzahl mit jeder Annotation mitwandert, sagt Ihnen jedes Ergebnis genau, an welcher Stelle des Dokuments der Link steht — genau das macht die Ausgabe für Prüfungen und Audits nutzbar statt nur eine nackte Liste von URLs.

Was der Extraktor behält und was er verwirft

Der Filter ist bewusst streng. Nur Annotationen mit dem Subtyp Link werden berücksichtigt; Kommentare, Hervorhebungen, Formular-Widgets und jede andere Art von Annotation werden übersprungen. Unter den Link-Annotationen überleben nur die mit einer nicht leeren URI — eine Link-Annotation ohne URI ist typischerweise ein interner Sprung zu einer anderen Seite, also Navigation innerhalb des Dokuments und kein Hyperlink zu einem externen Ziel, und wird daher ausgelassen.

URIs werden von umschließenden Leerzeichen befreit, aber ansonsten wörtlich zurückgegeben: ohne Umschreiben, ohne Auflösung, ohne Deduplizierung. Erscheint dieselbe URL auf drei Seiten, erhalten Sie drei Einträge, denn die Tatsache, dass sie dreimal erscheint, ist eine Information. Die Ausgabe ist exakt so geordnet, wie die Annotationen ankommen, was in der Praxis der Dokumentreihenfolge entspricht.

Dieselbe URL kann in einem langen Dokument legitim mehrfach vorkommen — in der wiederkehrenden Fußzeile, in einem Literaturverzeichnis und auf einer Kontaktseite — und das Zusammenfassen dieser Vorkommen würde den Unterschied zwischen einer einzelnen Zitation und einer systematischen Referenz verwischen; der Extraktor behält daher alle und überlässt es dem Aufrufer, was nachgelagert aggregiert wird.

Wo sie in einer Pipeline passt

Der typische Ablauf ist: Öffnen Sie das PDF mit einer Reader-Bibliothek, sammeln Sie die Annotationen Seite für Seite, flachen Sie sie zu der Datensatzliste ab, die diese Fähigkeit erwartet, und senden Sie sie. Zurück erhalten Sie eine Anzahl und ein Array von Paaren {page, url}. Teams nutzen sie, um die ausgehenden Verweise von Verträgen und Berichten vor der Veröffentlichung zu inventarisieren, die Seed-Liste für einen Link-Check aufzubauen oder zu bestätigen, dass ein anonymisiertes Dokument nicht mehr dorthin verweist, wohin es nicht verweisen sollte.

Eine leere Annotationsliste wird als Fehler behandelt und nicht als leeres Ergebnis, denn eine leere Liste bedeutet fast immer, dass der vorgelagerte Extraktionsschritt fehlgeschlagen ist oder die Datei nie eine Annotationsebene hatte — und die stille Rückgabe von null Links würde das verbergen. Derselbe Code läuft kostenlos in Ihrem Browser auf dieser Seite, sodass Sie eine Nutzlast durch Einfügen validieren können und erst zahlen, wenn Sie den Aufruf automatisieren.