☰

測試pdf文件的超連結

tag-icon • tag-icon hyperref pdf urls links
測試pdf文件的超連結

有什麼方法可以測試pdf文件的超連結嗎？假設我有一個pdf包含大量超連結的文件，我可以自動測試點擊這些連結時的回應（200= ok、404= not find 等）。

我知道網頁上有這樣的工具（作為軟體，例如KLink狀態，或作為網路服務，例如W3C 的檢查鏈接）但是有沒有等價的pdf？我猜沒有這樣的東西，tex文件有什麼好的等價物嗎？我想這可以透過一些腳本和正規表示式魔法來完成，但我想知道是否有任何現有的解決方案。

\documentclass{article}
\usepackage{hyperref}

\begin{document}
\href{http://tex.stackexchange.com/test-404/}{This will give a 404}

\href{http://tex.stackexchange.com/}{This will give a 200}

\end{document}

答案1

安裝curl（假設您使用apt-get來安裝軟體包）：

sudo apt-get install curl

並對 pdf 檔案執行以下操作：

cat document.pdf | grep -ao '[a-zA-Z]\+://[a-zA-Z.-]*[^)]\+' | while read LINE; do curl -o /dev/null --silent --head --write-out '%{http_code}' "$LINE";    echo " $LINE";  done

並對 tex 檔案執行以下操作：

cat myfile.tex | grep -o '{[a-zA-Z]\+://[a-zA-Z.-]*[^}]\+}' | sed s/{// | sed s/}// | while read LINE; do curl -o /dev/null --silent --head --write-out '%{http_code}' "$LINE" echo " $LINE" done

將以下內容複製並貼上到命令列以立即測試：

echo "\documentclass{article}
\usepackage{hyperref}

\begin{document}
\href{http://tex.stackexchange.com/test-404/}{This will give a 404}

\href{http://tex.stackexchange.com/}{This will give a 200}

\end{document}" | grep -o '{[a-zA-Z]\+://[a-zA-Z.-]*[^}]\+}' | sed s/{// | sed s/}// | while read LINE; do
   curl -o /dev/null --silent --head --write-out '%{http_code}' "$LINE"
   echo " $LINE"
 done

詳細請參考以下內容：

https://stackoverflow.com/questions/13611973/how-to-grep-for-a-url-in-a-file https://stackoverflow.com/questions/6136022/script-to-get-the-http-status-code-of-a-list-of-urls

答案2

如果您願意使用 Python，這可能就足夠了。

我將 python 與 pyPdf 和 urllib2 套件一起使用。邏輯是這樣的：使用 pyPdf.PdfFileReader 打開 pdf 並循環遍歷它。在下面的函數中，pdf是開啟的pdf文件物件。

def get_urls(pdf):
    badurls = list()
    links = list()
    url_checker = URLChecker() # a helper function to test the URL (urllib2)
    for pg in range(pdf.getNumPages()):
        page = pdf.getPage(pg)
        obj = page.getObject()

        for a in obj.get('/Annots', []):
            u = a.getObject()
            lnk = u['/A'].get('/D')
            url = u['/A'].get('/URI')
            if lnk:
                links.append(lnk)
            if url:
                urls.append(url)
                result, reason = url_checker.check(url)
                if not result:
                    badurls.append({'url':url, 'reason': '%r' % reason})

    anchors = pdf.getNamedDestinations().keys()
    badlinks = [x for x in links if x not in anchors]
    return urls, badurls, badlinks

打開url_checkerurl，如果有錯誤，則返回(False, error_string)。否則返回(True, None)

因此，在流程結束時，您將獲得 pdf 中的 url 清單、無法開啟的所有錯誤 url（包含原因）、PDF 中的連結清單以及無法開啟的連結的子集。

我省略了 url_checker 的邏輯，但它非常簡單。有多種方法可以完成該部分——您也可以使用requests包而不是urllib2.

答案3

使用 Qt4 和 Poppler 的簡單 C++ 程式就可以解決這個問題。我很快就畫出了它的草圖，並在一些 PDF 上進行了測試。我認為人們可以對它進行很多調整，以使其對諸如 mailto: -protocol 和其他連接埠之類的奇怪連結更加強大。當然，如果您需要事後解析它，輸出格式可能會更好，但它確實有效

#include <QTcpSocket>
#include <QUrl>
#include <QByteArray>
#include <QList>
#include <poppler-qt4.h>
#include <QDebug>

  using namespace Poppler;

  QString urlGetStatus(const QUrl &url) {
    QString status;
    QTcpSocket socket;
    socket.connectToHost(url.host(), 80);
    if (socket.waitForConnected()) {
        socket.write("HEAD " + url.path().toUtf8() + " HTTP/1.1\r\n"
                     "Host: " + url.host().toUtf8() + "\r\n"
                     "\r\n");
        if (socket.waitForReadyRead()) {
                QByteArray bytes = socket.readAll();
                status = QString(bytes).mid(9, 3);
        }
    }
    return status;
  }

  int main(int argc, char *argv[]) {
    if(argc < 2) {
        return 1;
    }
    QString path = QString(argv[1]);
    Document *doc = Document::load(path);
    if(doc == NULL)
        return 1;
    QList<QUrl> urlList;
    for(int i = 0;i < doc->numPages(); i++) {        
        Page *p = doc->page(i);
        foreach(Link *li,p->links()) {
            if(li->linkType() == Link::Browse) {
                LinkBrowse *link = static_cast<LinkBrowse*>(li);
                urlList.append(QUrl(link->url()));
            }
        }
    }
    foreach(QUrl url, urlList) {
        QString stat = urlGetStatus(url);
        if(stat == "200") {
            qDebug() << url.toString() << "returned status 200";
        } else {
            qDebug() << url.toString() << " maybe not reachable status" << stat;
        }
    }
    return 0;
  }

由於我是 cmake 朋友，我使用這個 CMakeLists.txt 進行編譯：

cmake_minimum_required(VERSION 2.6)
project(qlinkextract)
set (CMAKE_MODULE_PATH "${PROJECT_SOURCE_DIR}/cmake/Modules/")

find_package(Qt4 REQUIRED QtCore QtNetwork)
include(${QT_USE_FILE})

find_package(Poppler REQUIRED)
include_directories(${POPPLER_QT_INCLUDE_DIR})

add_executable(qlinkextract main.cpp)
target_link_libraries(qlinkextract ${QT_LIBRARIES} ${POPPLER_QT_LIBRARIES})

您將需要 Qt4 開發包和 Poppler-Qt4 開發包。如果您的 CMakeModules 目錄中沒有 FindPoppler.cmake，請在線獲取一個。

要編譯它，請確保在專案目錄中 qlinkextract 是（需要完全拼寫如下）

  • CMakeLists.txt（見上文）
  • main.cpp（見上）
  • cmake/Modules/FindPoppler.cmake（從某處下載）
  • build/（資料夾是可選的）

在控制台上轉到構建資料夾並輸入

cmake ..
make

如果缺少某些東西，請安裝缺少的軟體包

一些範例輸出：

"http://www.igi-global.com/chapter/ontology-based-multimedia-indexing/42895?camid=4v1" returned status 200 
"http://www.igi-global.com/chapter/ontology-based-multimedia-indexing/42895?camid=4v1" returned status 200 
"http://www.igi-global.com/e-resources/library-recommendation/?id=1" returned status 200 
"http://www.igi-global.com/chapter/towards-low-cost-energy-monitoring/112719?camid=4v1a" returned status 200 
"http://www.igi-global.com/article/algebraic-properties-of-rough-set-on-two-universal-sets-based-on-multigranulation/116046?camid=4v1a" returned status 200 
"http://www.igi-global.com/article/algebraic-properties-of-rough-set-on-two-universal-sets-based-on-multigranulation/116046?camid=4v1a" returned status 200 
"http://www.igi-global.com/article/fuzzy-decision-support-system-for-coronary-artery-disease-diagnosis-based-on-rough-set-theory/111313?camid=4v1a" returned status 200 
"http://www.igi-global.com/article/fuzzy-decision-support-system-for-coronary-artery-disease-diagnosis-based-on-rough-set-theory/111313?camid=4v1a" returned status 200 
"http://www.igi-global.com/chapter/optimization-model-identification-temperature-intelligent/74536?camid=4v1a" returned status 200 
"http://www.igi-global.com/chapter/optimization-model-identification-temperature-intelligent/74536?camid=4v1a" returned status 200

相關內容