PDF-Link-Extraktor

Zwei Arten von Link — und die meisten Werkzeuge sehen nur eine

Ein Hyperlink in einem PDF ist eine Link-Annotation: ein Rechteck auf der Seite mit einer angehängten Aktion. Jedes Werkzeug, das „die Links extrahiert“, liest diese. Ein Dokument enthält aber auch URLs und E-Mail-Adressen, die schlicht in den Text getippt und nie in Annotationen verwandelt wurden — eine Fußnote mit https://example.org/docs, eine Adresse in einem Signaturblock. Für den Lesenden sind das Links. Für einen reinen /Annots-Leser sind sie unsichtbar. Dieses Werkzeug meldet beides und sagt, was was ist.

Was gemeldet wird

• Externe Links — http- und https-Ziele.
• Interne Links — Sprünge innerhalb des Dokuments. Das Ziel wird zu einer echten Seitenzahl aufgelöst, egal ob es ein explizites Zielarray oder ein benanntes Ziel im Namensbaum ist.
• mailto und tel — ohne Schema angezeigt, damit Adresse oder Nummer lesbar bleiben.
• Datei-Links — Ziele, die etwas außerhalb des Dokuments öffnen.
• JavaScript-Aktionen — eine javascript:-URI, die beim Klicken Code ausführt.
• Nicht verlinkte URLs und E-Mail-Adressen — im Text gefunden, gesondert markiert und übersprungen, wenn sie bereits in einer Link-Annotation liegen.

Jeder Eintrag trägt seine Seite, seinen Ankertext (aus den Wörtern der Seite innerhalb des Annotationsrechtecks rekonstruiert, denn eine Link-Annotation speichert selbst keinen Text) und sein Ziel.

Risikohinweise

• javascript — ein Klick führt Code im Betrachter aus.
• mismatch — der sichtbare Text ist eine URL auf einen Host, während das tatsächliche Ziel auf einen anderen zeigt. Das ist die klassische Phishing-Form, und ein PDF-Betrachter zeigt nur den Text. Vor dem Klick sehenswert.
• no-target — eine Link-Annotation ohne URL und ohne auflösbares Ziel: in jedem Betrachter tot.
• relative — ein Ziel ohne Schema, das sich danach richtet, wo die Datei gerade geöffnet wird.

Nichts wird abgerufen

Keine URL des Dokuments wird jemals angefragt. Das ist wichtig: Ein verdächtiges PDF lässt sich hier untersuchen, ohne den Server auf der anderen Seite zu berühren und ohne zu verraten, dass Sie es geöffnet haben. Die Datei wird vollständig im Browser gelesen, nichts wird hochgeladen.

Export

CSV — eine Zeile je Link mit Seite, Art, Ankertext, Ziel, aufgelöster Zielseite und Hinweisen — oder JSON mit denselben Daten plus den Begrenzungsrechtecken, falls Sie darauf aufbauen wollen.