Docling提取PDF超链接异常：仅获显示文本，无法捕获完整URL求助

一、尝试修复Docling的超链接解析问题 #

• 升级到Docling最新版本：旧版本可能存在超链接检测的逻辑漏洞，新版本大概率会修复这类问题。
• 检查解析配置：查看Docling的PdfParser初始化参数，是否有开启超链接提取的选项（比如extract_hyperlinks=True），默认可能未启用。
• 参考官方Issue：去Docling的代码仓库搜索同类问题，可能有其他用户分享的临时补丁或自定义解析逻辑，比如修改解析器中检测超链接的部分，让TextItem的hyperlink属性能正确赋值。

二、替代库推荐（支持提取完整URL+显示文本） #

如果Docling暂时无法解决，以下几个库能稳定实现需求：

• PyMuPDF（fitz）：轻量高效，超链接提取逻辑成熟。示例代码：

import fitz

doc = fitz.open("target.pdf")
for page in doc:
    # 获取页面所有链接
    links = page.get_links()
    for link in links:
        if link["kind"] == fitz.LINK_URI:
            # 通过链接的 bounding box 获取对应显示文本
            display_text = page.get_textbox(link["from"])
            print(f"显示文本: {display_text.strip()}, URL: {link['uri']}")

• pdfplumber：基于PDFMiner，能精准关联文本与链接的位置。示例代码：

import pdfplumber

with pdfplumber.open("target.pdf") as pdf:
    for page in pdf.pages:
        for link in page.hyperlinks:
            # 通过链接的边界框提取对应文本
            display_text = page.within_bbox(link["bbox"]).extract_text().strip()
            print(f"显示文本: {display_text}, URL: {link['uri']}")

• PDFMiner.six：底层解析库，灵活性高，适合需要定制化处理的场景，但需要自行处理文本与链接的匹配逻辑。

三、混合方案（保留Docling文本提取能力） #

如果不想更换主库，可以用PyMuPDF或pdfplumber先提取所有链接的坐标和URL，再结合Docling提取的文本块坐标进行匹配，关联显示文本与对应的URL。这种方法适合结构简单的PDF文档。

内容的提问来源于stack exchange，提问作者Akshata