Extraer enlaces de un PDF

Todas las URL del documento, en una lista

Los enlaces se esconden en los PDF de dos formas. Unos son anotaciones pulsables unidas a un texto o a una imagen. Otros están simplemente escritos, como una URL impresa en una nota al pie o en una bibliografía, sin nada pulsable detrás. Copiarlos a mano obliga a recorrer todo el documento esperando no dejarse ninguno.

Esta herramienta recoge los dos tipos. Lee las anotaciones de enlace pulsables de cada página y además rastrea el texto en busca de direcciones que empiecen por http, https o www, y presenta una única lista con el número de página de cada entrada para poder rastrear cualquiera hasta su origen.

Cómo extraer los enlaces de un PDF

1. 1

   Paso 1: Añade tu PDF

   Suelta un archivo de hasta 200 MB.

2. 2

   Paso 2: Deja que lo analice

   Cada página se revisa en busca de anotaciones de enlace y de direcciones escritas.

3. 3

   Paso 3: Revisa la lista

   Cada enlace aparece con la página en la que está, y puedes copiar cualquiera por separado.

4. 4

   Paso 4: Copia o exporta

   Copia todas las URL al portapapeles o exporta la lista en CSV o TXT.

Qué se recoge

Por qué extraer los enlaces

• Revisar un documento antes de publicarlo. Repasa todos los destinos de un folleto o un informe.

• Investigación y citas. Reúne las fuentes referenciadas en un artículo.

• Revisión de seguridad. Comprueba adónde apuntan realmente los enlaces de un documento inesperado.

• Migrar contenido. Reconstruye una página o una lista de recursos a partir de un PDF existente.

Cómo se limpia la lista

Las direcciones escritas dentro de un texto suelen arrastrar puntuación, así que se recorta el punto, la coma o el paréntesis de cierre final de cada URL. A las direcciones que empiezan por www se les añade el prefijo https para que funcionen al pegarlas en un navegador. Dentro de una página, la misma URL se lista una sola vez, mientras que un enlace que aparece de verdad en varias páginas se lista una vez por página, que es lo que interesa cuando quieres saber dónde se usa.

Los enlaces que saltan a otra página del mismo documento no son direcciones web y no se listan. Tampoco las direcciones que un PDF parte a mitad de línea de una forma que rompe el texto, algo que tiene que ver con cómo guarda el texto el archivo y no con el análisis.

• Se quita la puntuación final.
• Las direcciones con www pasan a ser enlaces https.
• Los duplicados se eliminan por página.

Comprueba los enlaces antes de fiarte

El texto de un enlace y su destino pueden no coincidir, que es justo como funcionan los documentos de phishing: un enlace que parece el de una empresa conocida puede apuntar a cualquier sitio. Como esta herramienta lista el destino real, es una forma rápida de inspeccionar un adjunto sospechoso sin pulsar nada.

Trata con cuidado un PDF inesperado. Leer la lista de enlaces es seguro y te dice qué habría abierto el documento si hubieras pulsado. Nunca introduzcas credenciales en un sitio al que te envía un documento que no esperabas.

Consejos para trabajar con la lista

• Exporta el CSV y ábrelo en una hoja de cálculo para ordenar o agrupar por dominio.
• Usa los números de página para localizar dónde vive un enlace cuando tengas que corregir el documento original.
• Usa el extractor de texto si también necesitas las frases que rodean al enlace.
• Pasa la lista por un comprobador de enlaces si estás auditando un documento antiguo.

Preguntas sobre extraer enlaces de un PDF