从 PDF 中提取 URL - 文本与 URL 不匹配

Question

我使用以下代码从 PDF 中提取 URL，提取锚点效果很好，但当锚文本与其后面的 URL 不同时则不起作用。 例如：“www.page.com/A”在文本中用作短网址，但其后面的实际网址是较长（完整）版本。

我使用的代码是：

import urllib.request
import PyPDF2

urllib.request.urlretrieve(url, "remoteFile")
pdfFile = PyPDF2.PdfFileReader("remoteFile", strict=False)

key = "/Annots"
uri = "/URI"
ank = "/A"
mylist = []

for page_no in range(pdfFile.numPages):
    page = pdfFile.getPage(page_no)
    text = page.extractText()
    pageObject = page.getObject()
    if key in pageObject.keys():
        ann = pageObject.keys()
        for a in ann:
            try:
                u = a.getObject()
                if uri in u[ank].keys():
                    mylist.append(u[ank][uri])
                    print(u[ank][uri])
            except KeyError:
                pass

正如我所说，如果锚点和链接相同，它就可以正常工作。如果链接不同，则会保存锚点。理想情况下，我会保存两者（或仅保存链接）。