お世話になります。
PythonのPyMuPDFでPDFファイル内のリンクを貼っている部分と該当ページ、地の文を集めて、エクセルに出力するプログラムを作成していますが、get_links()
ですべての要素が取ってこれるのかどうかわかりません。
初めて使うライブラリのため、GPT3.5にプログラムを生成させ、自分で修正してみていますがうまく行かない状況です。
def extract_links(pdf_path):
doc = fitz.open(pdf_path)
links_data = []
for page_num in range(doc.page_count):
page = doc[page_num]
links = page.get_links()
for link in links:
if 'rect' in link:
rect = fitz.Rect(link['rect'])
link_data = {
'Link': link.get('uri', ''),
'Page': page_num + 1,
'Text': page.get_text('text', clip=rect)
}
links_data.append(link_data)
doc.close()
return links_data
一応リンクのあるページに当たると以下のように
In [66]: doc[7].get_links()[0]
Out[66]:
{'kind': 1,
'xref': 503,
'from': Rect(385.8999938964844, 360.7300109863281, 449.0400085449219, 380.5299987792969),
'page': 72,
'to': Point(40.0, 323.0),
'zoom': 0.0,
'id': ''}
リンクの中身のようなものが帰ってきますが、プログラムの方はうまく作動しないです。
また、テキストの中身も取れていないような気がします。
環境はWin10, Python3.10です。
テスト用PDFとして
https://phmpt.org/wp-content/uploads/2022/03/125742_S1_M5_c4591001-A-adrg.pdf
を用いています。
詳しい方、解決策をご教示いただけますと幸いです。
PyMuPDF以外のパッケージでも構いません。
よろしくお願いいたします。