Extracteur de liens PDF

Deux sortes de liens, et la plupart des outils n'en voient qu'une

Un hyperlien dans un PDF est une annotation de lien : un rectangle sur la page auquel une action est attachée. Tous les outils qui « extraient les liens » lisent celles-là. Mais un document contient aussi des URL et des adresses e-mail simplement tapées dans le texte et jamais transformées en annotations : une note de bas de page citant https://example.org/docs, une adresse dans un bloc de signature. Pour le lecteur, ce sont des liens. Pour qui ne lit que /Annots, ils sont invisibles. Cet outil signale les deux et dit lequel est lequel.

Ce qu'il rapporte

• Liens externes : cibles http et https.
• Liens internes : sauts à l'intérieur du document. La destination est résolue en un vrai numéro de page, qu'il s'agisse d'un tableau de destination explicite ou d'une destination nommée dans l'arbre des noms.
• mailto et tel : affichés sans leur schéma, pour que l'adresse ou le numéro se lisent.
• Liens fichier : cibles qui ouvrent quelque chose hors du document.
• Actions JavaScript : une URI javascript: qui exécute du code au clic.
• URL et e-mails non liés : trouvés dans le texte, signalés à part, et écartés s'ils se trouvent déjà dans une annotation de lien.

Chaque entrée porte sa page, son texte affiché (reconstitué à partir des mots de la page situés dans le rectangle de l'annotation, car une annotation de lien ne stocke aucun texte) et sa cible.

Signalements

• javascript : cliquer exécute du code dans la visionneuse.
• mismatch : le texte visible est une URL pointant vers un hôte alors que le lien réel pointe ailleurs. C'est la forme classique de l'hameçonnage, et une visionneuse PDF n'affiche que le texte. À voir avant de cliquer.
• no-target : une annotation de lien sans URL ni destination résoluble ; morte dans toutes les visionneuses.
• relative : une cible sans schéma, qui se résout par rapport à l'endroit où le fichier est ouvert.

Rien n'est téléchargé

Aucune URL du document n'est jamais demandée. C'est important : un PDF suspect peut être inspecté ici sans toucher au serveur d'en face et sans révéler que vous l'avez ouvert. Le fichier est analysé entièrement dans votre navigateur et rien n'est envoyé.

Export

CSV — une ligne par lien avec page, type, texte affiché, cible, page de destination résolue et signalements — ou JSON avec les mêmes données plus les rectangles, si vous voulez bâtir dessus.