PythonでPDFからハイパーリンク（URL）を抽出する方法

Pythonには、さまざまな処理に対応できる豊富なライブラリが揃っています。PDFからデータやメタ情報を抽出したいときに便利なのが、PyPDF2パッケージです。PyPDF2は使い方がシンプルで、PDFからのデータ抽出、ドキュメント内のキーワード検索、ハイパーリンクやURLなどのメタ情報の取得など、多彩な機能を提供しています。

この記事では、PyPDF2を使ってPDFドキュメントからハイパーリンクを抽出する方法を解説します。

ハイパーリンク抽出の手順

• コマンドシェルでpip install PyPDF2を実行し、ローカル環境にPyPDF2をインストールします。

• Pythonスクリプト内でPyPDF2をインポートします。

• 対象のPDFファイルをバイナリモード（'rb'）で開きます。

• 特定のページからリンクを抽出するための関数を定義します。

• すべてのページをループ処理し、extractText()関数でページごとのテキストを取り出します。

• ハイパーリンクの抽出にはPythonのパターンマッチングの仕組みを利用します。import reとして正規表現モジュールを読み込みましょう。

• findall(regex, string)を使い、「https://」または「https://」で始まるパターンに一致する文字列を検索します。

• URLが見つかった場合はそれを返し、画面に出力します。

サンプルコード

# 必要なパッケージをインポート
import PyPDF2
import re

# ファイルをバイナリモードで開く
file = open("newfile.pdf", 'rb')
readPDF = PyPDF2.PdfFileReader(file)

def find_url(string):
   # パターンに一致するすべての文字列を検索
   regex = r"(https?://\S+)"
   url = re.findall(regex, string)
   for url in url:
      return url

# ファイルの全ページを反復処理
for page_no in range(readPDF.numPages):
   page = readPDF.getPage(page_no)
   # ページからテキストを抽出
   text = page.extractText()
   # 抽出したURLを出力
   print(find_url(text))

# ファイルを閉じる
file.close()

実行結果

上記のコードを実行すると、指定したPDFドキュメント内に含まれるすべてのハイパーリンクが画面に出力されます。URLが存在しないページでは「None」が表示されます。

補足：最新環境では「pypdf」ライブラリを推奨

PyPDF2はすでに開発が終了しており、後継となるpypdfライブラリへ統合されています。新規プロジェクトでは以下のように書き換えることをおすすめします。

from pypdf import PdfReader
import re

reader = PdfReader("newfile.pdf")

def find_url(string):
   return re.findall(r"(https?://\S+)", string)

for page in reader.pages:
   text = page.extract_text()
   urls = find_url(text)
   for url in urls:
      print(url)

このように、PyPDF2時代の「PdfFileReader」「numPages」「getPage」「extractText」は、pypdfでは「PdfReader」「pages」「extract_text()」といった新しいAPIに置き換えられています。基本的な流れ（バイナリモードで開く→テキスト抽出→正規表現でURLを検索）は変わりませんので、どちらのバージョンでも同じ考え方でハイパーリンク抽出が実現できます。