【Python】PDF内のリンクを取得する｜PyPDF4基礎

PyPDF4を使用すると、Pythonを使用してPDF内のリンクを取得することができます。

本記事では、PyPDF4を使用した、PDF内のリンクを取得する方法について、詳しくご説明します。

levtech-ad

＼業界最大級の案件数！／

レバテックフリーランス詳細はコチラ＞＞

PyPDF4とは

PyPDF4は、Pythonを使用してPDFを操作するための外部ライブラリの１つです。

PDF操作用ライブラリは他にも、PDFMinerやReportLabなどいくつか存在します。

それぞれのライブラリの用途は、以下の通りです。

本記事では、PyPDF4によるリンクの取得方法をご紹介します。

PyPDF4のインストール

「PyPDF4」は、以下コマンドを入力することで、インストールすることができます。

コマンドの入力は、コマンドプロンプトあるいはターミナルから行います。

pip install PyPDF4

動作確認として、試しに以下を入力します。

from PyPDF4 import PdfFileReader

上記を入力してもエラーが発生しなければ、正常にインストールされています。

PDF内のリンクを取得する

find_url()関数を実装し、以下PDFのリンクを抽出してみます。

#input
import PyPDF4
import re

# リンクを抽出したいPDFの指定
file = open("input.pdf", 'rb')
readPDF = PyPDF4.PdfFileReader(file, strict=False)
def find_url(string):
    # 文字列によるリンクの指定
    regex = r"(https?://\S+)"
    url = re.findall(regex,string)
    for url in url:
       return url

# 全ページの探索
for page_no in range(readPDF.numPages):
    page=readPDF.getPage(page_no)
    # テキストの抽出
    text = page.extractText()
    # テキストの出力
    print(find_url(text))

file.close()

#output
https://assam-blog.com/
None

PDFのリンクを抽出することができました。

まとめ

この記事では、PyPDF4を使用した、PDF内のリンクを取得する方法について、ご説明しました。

本記事を参考に、ぜひ試してみて下さい。

参考

Python学習用おすすめ教材

Pythonの基本を学びたい方向け

統計学基礎を学びたい方向け

Pythonの統計解析を学びたい方向け

おすすめプログラミングスクール

テックアカデミーの無料体験