Extrator de links PDF

Há duas espécies de link e quase todas as ferramentas só veem uma

Uma hiperligação num PDF é uma anotação de link: um retângulo sobre a página com uma ação associada. Todas as ferramentas que «extraem os links» leem essas. Mas um documento também contém URL e endereços de e-mail que foram apenas escritos no texto e nunca convertidos em anotações: uma nota de rodapé a citar https://example.org/docs, um endereço num bloco de assinatura. Para o leitor são links. Para quem só lê /Annots são invisíveis. Esta ferramenta reporta os dois e distingue qual é qual.

O que reporta

• Links externos: destinos http e https.
• Links internos: saltos dentro do documento. O destino é resolvido para um número de página real, quer seja um array de destino explícito quer um destino nomeado na árvore de nomes.
• mailto e tel: mostrados sem o esquema, para que o endereço ou o número se leiam bem.
• Links de ficheiro: destinos que abrem algo fora do documento.
• Ações JavaScript: um URI javascript: que executa código ao ser clicado.
• URL e e-mails não ligados: encontrados no texto, assinalados à parte e descartados se já estiverem dentro de uma anotação de link.

Cada entrada traz a sua página, o seu texto visível (recuperado das próprias palavras dentro do retângulo da anotação, porque uma anotação de link não guarda texto) e o seu destino.

Alertas de risco

• javascript: clicar executa código no visualizador.
• mismatch: o texto visível é um URL que aponta para um servidor enquanto a ligação real aponta para outro. É o padrão clássico de phishing, e um leitor de PDF mostra apenas o texto. Vale a pena ver antes de clicar.
• no-target: uma anotação de link sem URL nem destino resolúvel; morta em qualquer visualizador.
• relative: um destino sem esquema, que se resolve conforme o local onde o ficheiro é aberto.

Nada é descarregado

Nenhum URL do documento é alguma vez pedido. Isso importa: um PDF suspeito pode ser inspecionado aqui sem tocar no servidor do outro lado e sem revelar que o abriu. O ficheiro é analisado inteiramente no seu navegador e nada é enviado.

Exportação

CSV — uma linha por link com página, tipo, texto visível, destino, página de destino resolvida e alertas — ou JSON com os mesmos dados mais os retângulos, caso queira construir sobre isso.