Extractor de enlaces PDF

Hay dos clases de enlace y casi todas las herramientas solo ven una

Un hipervínculo en un PDF es una anotación de enlace: un rectángulo sobre la página con una acción asociada. Todas las herramientas que «extraen los enlaces» leen esas. Pero un documento también contiene URL y direcciones de correo que simplemente se escribieron en el texto y nunca se convirtieron en anotaciones: una nota al pie que cita https://example.org/docs, una dirección en un pie de firma. Para el lector son enlaces. Para quien solo lee /Annots son invisibles. Esta herramienta informa de ambos y distingue cuál es cuál.

Qué informa

• Enlaces externos: destinos http y https.
• Enlaces internos: saltos dentro del documento. El destino se resuelve a un número de página real, tanto si es un array de destino explícito como un destino con nombre del árbol de nombres.
• mailto y tel: se muestran sin el esquema para que la dirección o el número se lean bien.
• Enlaces a archivo: destinos que abren algo fuera del documento.
• Acciones JavaScript: una URI javascript: que ejecuta código al pulsar.
• URL y correos sin enlazar: encontrados en el texto, señalados aparte y descartados si ya están dentro de una anotación de enlace.

Cada entrada lleva su página, su texto visible (recuperado de las propias palabras dentro del rectángulo de la anotación, porque una anotación de enlace no guarda texto) y su destino.

Avisos de riesgo

• javascript: al pulsar se ejecuta código en el visor.
• mismatch: el texto visible es una URL que apunta a un servidor y el enlace real apunta a otro. Es el patrón clásico del phishing, y un lector de PDF solo muestra el texto. Conviene verlo antes de pulsar.
• no-target: una anotación de enlace sin URL ni destino resoluble; muerta en cualquier visor.
• relative: un destino sin esquema, que se resuelve respecto a donde se abra el archivo.

No se descarga nada

Ninguna URL del documento se solicita jamás. Eso importa: un PDF sospechoso se puede inspeccionar aquí sin tocar el servidor del otro lado y sin revelar que lo has abierto. El archivo se analiza íntegramente en tu navegador y no se sube nada.

Exportación

CSV —una fila por enlace con página, tipo, texto visible, destino, página de destino resuelta y avisos— o JSON con los mismos datos más los rectángulos, por si quieres construir sobre ello.