Python의 PDF에서 하이퍼링크 추출

Python에는 다양한 유형의 작업을 처리하기 위한 대규모 라이브러리 세트가 있습니다. PDF에서 데이터와 메타 정보를 추출하기 위해 PyPdf2 패키지를 사용합니다. 사용하기 쉽고 PDF에서 데이터 추출, 문서에서 키워드 검색, 하이퍼링크, URL 및 기타 정보 찾기와 같은 메타 정보 추출과 같은 다양한 작업 또는 툴킷이 있습니다. PyPDF2 패키지를 사용하여 pdf 문서에서 하이퍼링크를 추출합니다.

다음 단계에 따라 PDF에서 하이퍼링크를 추출합니다.

• pip install PyPDF2를 입력하여 로컬 컴퓨터에 PyPDF2를 설치합니다. 명령 셸에서.

• PyPDF2를 가져옵니다.

• 바이너리 모드에서 파일 열기 파일의 URL 패턴을 인식합니다.

• 링크를 추출하는 함수 정의 특정 페이지에 대해.

• 모든 페이지를 반복하고 extractText()를 사용하여 텍스트를 추출합니다. 기능.

• PDF에서 하이퍼링크를 추출하기 위해 일반적으로 Python에서 패턴 일치 개념을 사용합니다. 이제 다시 가져오기 정규식을 사용하여 패턴을 찾습니다.

• findall(regex, string)을 사용하여 https:// 또는 https://와 일치하는 패턴 찾기 .

• URL이 발견되면 URL을 반환하고 화면에 인쇄하십시오.

# Import necessary packages
import PyPDF2
import re
# Open The File in the Command
file = open("newfile.pdf", 'rb')
readPDF = PyPDF2.PdfFileReader(file)
def find_url(string):
   #Find all the String that matches with the pattern
   regex = r"(https?://\S+)"
   url = re.findall(regex,string)
   for url in url:
      return url
# Iterating over all the pages of File
for page_no in range(readPDF.numPages):
   page=readPDF.getPage(page_no)
   #Extract the text from the page
   text = page.extractText()
   # Print all URL
   print(find_url(text))
# CLost the file
file.close()