如何使用Python为现有PDF文件内的指定文本添加超链接

核心实现思路 #

• 第一步：识别PDF中目标文本的坐标边界，作为超链接的可点击热区
• 第二步：在对应坐标位置插入PDF超链接注释，绑定目标URL
• 注意：如果是扫描版架构图PDF需要先做OCR识别文本坐标，原生矢量PDF可直接提取文本坐标

具体实现方案 #

情况1：原生可编辑矢量PDF #

使用PyMuPDF（fitz）库即可完成需求，无需额外依赖。

1. 安装依赖：pip install pymupdf
2. 示例代码：

import fitz

# 配置项
pdf_path = "你的架构图原文件路径.pdf"
output_path = "添加超链接后的文件输出路径.pdf"
# 替换为实际需要匹配的文本和对应超链接的映射
text_link_map = {
    "基础结构示意图": "对应链接1",
    "上部架构排布图": "对应链接2",
    # 可按需添加更多映射关系
}

doc = fitz.open(pdf_path)
for page in doc:
    for target_text, link_url in text_link_map.items():
        # 搜索当前页面内所有匹配文本的坐标区域
        text_instances = page.search_for(target_text)
        for inst in text_instances:
            # 插入超链接
            link_dict = {
                "kind": fitz.LINK_URI,
                "from": inst,
                "uri": link_url
            }
            page.insert_link(link_dict)

doc.save(output_path)
doc.close()

如果存在同名词需要精准匹配，可以自行添加页码范围限制、文本相似度校验逻辑。

情况2：扫描版/图片型架构图PDF #

这类PDF的文本是嵌入在图片中的，无法直接提取，需要先通过OCR识别文本坐标后再添加超链接。

1. 安装依赖：pip install pymupdf pytesseract pillow，同时需要自行安装Tesseract OCR引擎并配置环境变量，需要识别中文的话要额外下载中文训练包。
2. 示例代码：

import fitz
import pytesseract
from PIL import Image
import io

# 配置项
pdf_path = "扫描版架构图原文件路径.pdf"
output_path = "添加超链接后的文件输出路径.pdf"
text_link_map = {
    "基础结构示意图": "对应链接1",
    "上部架构排布图": "对应链接2",
}
# Windows用户需要手动指定tesseract程序路径
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

doc = fitz.open(pdf_path)
for page in doc:
    # 将PDF页面转换为图片
    pix = page.get_pixmap()
    img = Image.open(io.BytesIO(pix.tobytes("png")))
    # OCR识别文本及对应坐标
    ocr_data = pytesseract.image_to_data(img, output_type=pytesseract.Output.DICT, lang="chi_sim+eng")
    
    for i in range(len(ocr_data["text"])):
        current_text = ocr_data["text"][i].strip()
        if not current_text:
            continue
        # 匹配目标文本，可自行替换为模糊匹配逻辑
        for target_text, link_url in text_link_map.items():
            if target_text in current_text:
                # 转换OCR像素坐标为PDF页面坐标
                x1 = ocr_data["left"][i]
                y1 = ocr_data["top"][i]
                x2 = x1 + ocr_data["width"][i]
                y2 = y1 + ocr_data["height"][i]
                link_rect = fitz.Rect(x1, y1, x2, y2)
                # 插入超链接
                link_dict = {
                    "kind": fitz.LINK_URI,
                    "from": link_rect,
                    "uri": link_url
                }
                page.insert_link(link_dict)

doc.save(output_path)
doc.close()

OCR识别准确率不足时，可以先对页面图片做二值化、降噪预处理，匹配逻辑也可以引入文本相似度计算提升召回率。

效果验证 #

生成的文件用PDF阅读器打开后，点击对应标注文本即可跳转至绑定链接，默认超链接热区不可见，有可视化需求可以在插入链接的同时在对应位置添加半透明矩形注释。

内容的提问来源于stack exchange，提问作者Indrajeet Gupta