Google Drive 將 PDF 儲存為普通檔案,每份文件只會公開一個分享網址,絕對不會列出文件內所有可點擊的連結。要從 Google Drive 取得 PDF 連結,您必須將檔案下載到您的裝置上,並在本機執行一個擷取工具,以依照頁面順序讀取 PDF 的連結註解,再將結果複製或下載成純文字或 CSV。採用註解式做法相當重要,因為 PDF 格式會將可點擊的連結物件與可見的文字層分開:只印在頁面上、但沒有設為可點擊的網址,並不是連結註解,不會出現在報告中;反觀隱形或隱藏的可點擊註解,則仍然會出現。擷取完成後,您可以自行排序、篩選或稽核這些目標,並且可以保留原始 PDF 作為紀錄來源,因為 Drive 端或工具端都不會對檔案做任何修改。Drive 的預覽功能在您將游標懸停時可能會顯示部分目的地,但不會匯出這些目的地,因此一款完全在本機運作的專用擷取工具,才是實際可行的做法。
為什麼 Google Drive 本身不會顯示連結清單
Google Drive 是一個儲存與預覽層。針對每個檔案(包括 PDF),Drive 會提供一個格式類似 https://drive.google.com/file/d/<FILE_ID>/view?usp=sharing 的可分享網址,以及另一個由相同檔案 ID 加上 export=download 所構成的直接下載網址。這些網址描述的是檔案本身,與 PDF 作者嵌入在文件第 3、7、12 頁上的可點擊目標完全無關。
Drive 內建的預覽功能,有時當您在瀏覽器中將游標懸停在連結上時,可能會顯示單一目的地,但它並不會彙整這些連結,也無法讓您複製一份清單,更不會區分外部網址與同一份文件內部的跳躍。如果這份 PDF 是從 Google Docs、Slides 或任何其他將即時連結扁平化為 PDF 註解的編輯器匯出的,這些目的地對 Drive 的分享介面來說就會變得不可見。若要批次處理、稽核、遷移這些目標,或建立引用清單,您需要一種能在自己裝置上讀取 PDF 的方法。
PDF 中什麼才算是一個連結
人們經常會混淆兩件事。一份 PDF 可以在頁面上以可見文字的形式包含一個網址,而同一份 PDF 也可以包含一個連結註解,將頁面上的某個區域變成可點擊的熱點。只有註解才能讓網址成為真正的連結。PDF Link Extractor 是透過 PDF.js 的頁面註解 API(請參閱 PDFPageProxy getAnnotations 參考文件)從註解資料中讀取連結,而不是從文字掃描中讀取,這也是為什麼它的結果與「從文字中找出網址」的做法不同。
這個區別能大幅減少誤判。壓縮過的 PDF 串流、字型字符名稱、中繼資料欄位,以及像「請參閱 https://example.com 以了解背景」這類一般散文內容,對單純的文字搜尋來說看起來都像是網址,但其實並不能點擊。這個工具會忽略這些內容。反過來也值得了解:一個註解可能是隱形的、大小如單一文字的透明熱點、標題,甚至是整個頁面,但它仍然會出現在報告中,因為 PDF.js 會將它視為連結物件,而不管它的視覺範圍大小。
在本機擷取 Google Drive PDF 中的所有連結
- 在瀏覽器中開啟 Google Drive 並找到該 PDF。在檔案上按右鍵並選擇下載。Drive 可能會警告此檔案無法進行病毒掃描;請確認將 PDF 儲存到您可以控制的資料夾(下載或桌面都很適合),以便下一步能在本機讀取它。
- 在同一個瀏覽器中開啟 PDF Link Extractor。在您採取行動之前,頁面上的內容不會動到您的檔案,因為 PDF.js 及其 worker 只會在按下按鈕後才會載入。
- 點擊檔案選擇器並選取已下載的 PDF。此工具一次只能接受一個檔案,上限為 25 MiB 與 40 頁。加密、損壞或超出限制的文件會顯示明確的錯誤訊息,而不是產生一份不完整的報告。
- 點擊Extract Links。工具會逐頁瀏覽文件,擷取支援的連結註解,並依照頁面順序將結果分組,同時保留註解編號,包括支援的外部網址以及具名或明確的內部目的地。
- 檢閱惰性目標清單。每一列會顯示頁碼、註解索引、連結類型,以及以純文字呈現的目標。JavaScript、data、file、blob 及其他不安全的通訊協定會被過濾掉,而不是顯示為可點擊。
- 將報告複製到剪貼簿,或將它下載為 UTF-8 TXT 檔或對公式安全的 CSV。CSV 會跳脫引號與換行字元,並對任何以試算表公式前置字元(=、+、-、@)開頭的內容進行中和處理,因此日後開啟報告時,擷取出的目標不會變成公式。
報告包含哪些內容,以及略過哪些內容
這款擷取工具刻意採取了保守的做法。它只接受一組狹窄且實用的通訊協定,其餘全部拒絕,因此您下載的檔案中只會包含值得人工檢視的目標。同份文件內部的 PDF 目的地、具名目的地,以及指向同一份文件中其他頁面的明確目的地陣列,也都會被擷取並標示為內部目標。它們未必都有網址,且工具並不保證能將每一個都解析為最終頁碼,因為不同 PDF 的目的地結構、頁面參照與檢視器行為都不盡相同。
| 目標類別 | 範例 | 在報告中的處理方式 |
|---|---|---|
| 接受的外部通訊協定 | https://example.com/page, http://archive.org/item, mailto:[email protected], tel:+15551234567 | 以惰性文字形式包含,並附上頁碼與註解編號 |
| 內部 PDF 目的地 | 同一檔案中的具名目的地或明確目的地陣列 | 以內部目標形式包含,並以有界限且可讀的方式呈現 |
| 被拒絕的通訊協定 | javascript:, data:, file:, blob: | 完全略過,並計入略過摘要中 |
| 格式錯誤或包含控制字元的輸入 | 包含 Tab、換行或其他控制位元組的目標 | 由不分大小寫的通訊協定檢查機制拒絕,不會顯示 |
| 看起來像網址的可見文字 | 段落中出現的「Visit https://example.com」 | 不是連結註解,因此不會包含 |
同一頁面上完全相同的重複項目會被移除,因此單一熱點即使有兩個重疊的註解矩形,也不會產生兩列相同的資料。同一個連結出現在不同頁面時,則會在兩處都保留,因為連結所在的頁面對於稽核與遷移檢查而言是有用的證據。報告頂端的摘要列會包含已檢查的註解數量、接受的連結、重複項,以及略過的不安全或不支援目標。
點擊任何內容之前的安全提醒
這份報告刻意設計成惰性。工具只會以純文字形式讀取註解目標,絕不會擷取、開啟、驗證、檢查信譽或擔保任何目的地的安全性。請將這份檔案視為一份指標清單,而不是一份安全的網址清單。以 https:// 開頭的目標,仍可能導向釣魚頁面、惡意程式主機,或已易主的網域。
CSV 匯出會多一層保護機制,以應對一項特定風險:在 Excel、LibibreOffice 或 Google Sheets 中開啟時,以 =、+、- 或 @ 開頭的目標字串可能會被解讀為試算表公式。工具會在序列化之前將這類內容中和處理,並依標準 CSV 規則跳脫引號與內嵌的換行字元。即使經過這樣的中和處理,您仍應將所有源自文件的文字視為不受信任的資料,絕對不要在未先查看的情況下,將原始目標貼到 shell 提示字元或瀏覽器網址列中。對重要目的地進行獨立驗證是工作流程的一部分,而不是可有可無的額外步驟。
報告的實際用途
一旦您擁有了一份乾淨的目標清單,許多工作就會變得更輕鬆。遷移稽核是最常見的用途:當您將一批 PDF 從某個平台搬到另一個平台時,您會希望記錄下讀者應該能前往的每一個外部網址,如此才能檢查新平台是否完整保留了它們。文件品保(QA)是另一項用途,審查者會比對預定目的地的清單與實際上線的內容。從冗長報告中收集引用資料、合規審查的連結清單,以及在 PDF 發布前進行快速健全性檢查,也都是想要取得這份清單的理由。
如果您的檔案超過 40 頁或 25 MiB 的限制,擷取工具會事先告知您,而不是產生不完整且誤導性的結果。對於非常大的文件,可以透過 分割 PDF 將其切成較小的部分,然後分別送入擷取工具,以取得完整的涵蓋範圍。Drive 上的原始 PDF 不會被修改,因此 Drive 仍然持有紀錄來源,而本機複本則會與報告一起留在您的裝置上。擷取作業的設計也能自我清理:當一項新工作啟動時,會取消先前的工作;當您繼續其他操作時,PDF 頁面、載入工作與暫時性的下載網址都會被釋放。