如何使用 Java Apache PDFBox 查找 PDF 中的所有内部链接

Question

我正在使用以下代码 (Kotlin) 在 PDF

中查找 hyperlinks

    import org.apache.pdfbox.pdmodel.PDDocument
    import org.apache.pdfbox.pdmodel.interactive.action.PDActionURI
    import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotationLink
    import ... destination.PDPageXYZDestination
    import java.io.File
    
    fun findAnnotationsTest() {
        val pdfPath = "LinkedPDF.pdf"
        val doc = PDDocument.load(File(pdfPath))
        var pageNo = 0
        for (page in doc.pages) {
            pageNo++
            for (annotation in page.annotations) {
                val subtype = annotation.subtype
                println("Found Annotation ($subtype) on page $pageNo")
                if (annotation is PDAnnotationLink) {
                    val aname = annotation.annotationName
                    println("\t\tfound Link  named $aname on page $pageNo")
                    val link = annotation
                    println("\t\tas string: " + link.toString());
                    println("\t\tdestination: " + link.getDestination());
                    val dest = link.destination
                    val destClass = dest::class
                    println("\t\tdest class is $destClass")
                    if(dest is PDPageXYZDestination){
                        val pageNumber = dest.pageNumber
                        println("\t\tdest page number is $pageNumber")
                    }
    
                    val action = link.action
    
                    if (action == null) {
                        println("\t\tbut action is null")
                        continue
                    }
                    if (action is PDActionURI)
                        println("\t\tURI action is ${action.uri}")
                    else
                        println("\t\tother action is ${action::class}")
                }
                else{
                    println("\tNOT a link")
                }
            }
        }
    }

输入文件有数百个（工作）内部 links。

此代码找到注释并将它们识别为 link，但 PDActions 为空，PDPageXYZDestination 的页码为 -1。每个 link 的输出如下所示：

    Found Annotation (Link) on page 216
        found Link (Link) named null on page 216
        as string: org.apache.pdfbox....annotation.PDAnnotationLink@3234e239
        destination: org.apache.pdfbox.....destination.PDPageXYZDestination@3d921e20
        dest class is class org.apache.pdfbox...destination.PDPageXYZDestination
        dest page number is -1
        but action is null

顺便说一句，PDF 是通过将 MS Word 文档（具有内部 links 到 Word 书签）另存为 PDF 创建的。

对我做错了什么有什么想法吗？

这是 PDF（样本）：NBSample.pdf

Answer 1

PDPageDestination 的目的地不是一个数字（这仅适用于外部页面链接），它是一个页面字典，因此需要额外的努力来获取数字（方法 javadoc 提到了这一点）。这里是 PrintBookmarks.java 示例的稍作修改的摘录：

if (dest instanceof PDPageDestination)
{
    PDPageDestination pd = (PDPageDestination) dest;
    System.out.println("Destination page: " + (pd.retrievePageNumber() + 1));
}

如何使用 Java Apache PDFBox 查找 PDF 中的所有内部链接

How to find all internal links in a PDF, using Java Apache PDFBox

pdfbox

pdf-annotations