Extraire les liens d'un PDF

Toutes les URL du document, en une liste

Les liens se cachent dans les PDF sous deux formes. Certains sont des annotations cliquables attachées à un morceau de texte ou à une image. D'autres sont simplement écrits, comme une URL imprimée dans une note de bas de page ou une bibliographie, sans rien de cliquable derrière. Les recopier à la main oblige à parcourir tout le document en espérant n'en oublier aucun.

Cet outil collecte les deux. Il lit les annotations de lien cliquables de chaque page et scrute aussi le texte à la recherche d'adresses commençant par http, https ou www, puis présente une liste unique avec le numéro de page de chaque entrée, pour retrouver la source de n'importe quel lien.

Comment extraire les liens d'un PDF

1. 1

   Étape 1: Ajoutez votre PDF

   Déposez un fichier, jusqu'à 200 Mo.

2. 2

   Étape 2: Laissez l'analyse se faire

   Chaque page est examinée à la recherche d'annotations de lien et d'adresses écrites.

3. 3

   Étape 3: Parcourez la liste

   Chaque lien est affiché avec sa page, et vous pouvez en copier un seul.

4. 4

   Étape 4: Copiez ou exportez

   Copiez toutes les URL dans le presse-papiers, ou exportez la liste en CSV ou en TXT.

Ce qui est collecté

Pourquoi extraire les liens

• Vérifier un document avant publication. Passez en revue toutes les destinations d'une brochure ou d'un rapport.

• Recherche et citations. Rassemblez les sources référencées dans un article.

• Contrôle de sécurité. Vérifiez où pointent réellement les liens d'un document inattendu.

• Migration de contenu. Reconstruisez une page ou une liste de ressources à partir d'un PDF existant.

Comment la liste est nettoyée

Les adresses écrites dans un texte traînent souvent de la ponctuation : un point, une virgule ou une parenthèse fermante en fin d'URL est retiré. Les adresses commençant par www reçoivent un préfixe https pour fonctionner une fois collées dans un navigateur. Au sein d'une page, une même URL n'est listée qu'une fois, tandis qu'un lien présent sur plusieurs pages apparaît une fois par page, ce qui est utile pour savoir où il est utilisé.

Les liens qui renvoient à une autre page du même document ne sont pas des adresses web et ne sont pas listés. Pas davantage les adresses qu'un PDF coupe en milieu de ligne d'une manière qui brise le texte, ce qui tient à la façon dont le fichier stocke le texte plutôt qu'à l'analyse.

• Ponctuation finale retirée.
• Les adresses en www deviennent des liens https.
• Doublons supprimés page par page.

Vérifiez les liens avant de leur faire confiance

Le texte d'un lien et sa destination peuvent différer : c'est exactement ainsi que fonctionnent les documents d'hameçonnage, où un lien qui ressemble au nom d'une entreprise connue peut pointer n'importe où. Comme cet outil liste la vraie destination, c'est un moyen rapide d'inspecter une pièce jointe suspecte sans rien cliquer.

Traitez un PDF inattendu avec prudence. Lire la liste des liens est sans risque, et elle vous dit ce que le document aurait ouvert si vous aviez cliqué. Ne saisissez jamais d'identifiants sur un site vers lequel vous renvoie un document que vous n'attendiez pas.

Conseils pour exploiter la liste

• Exportez le CSV et ouvrez-le dans un tableur pour trier ou regrouper par domaine.
• Utilisez les numéros de page pour retrouver où vit un lien quand vous devez corriger le document source.
• Utilisez l'extracteur de texte si vous avez aussi besoin des phrases autour.
• Passez la liste dans un vérificateur de liens si vous auditez un vieux document.

Questions sur l'extraction de liens