有哪些方法可以将PDF转换为HTML？可以是任何东西 - 在线服务、软件、库。(开源优先。在最后一种情况下，php或python将被优先选择。)它必须保持原始布局(包括页码、脚注等)，保留图像(将它们合并成每页一个单独的背景图像是可以接受的)和保留链接。最好输出有效的XHTML并清理PDF特性，如连字，但如果需要某些后处理，我可以接受。最好具有干净、相对语义化的HTML输出。我找到的最接近的一个是zamzar.org，但它对链接进行了限制。(此外，由于编码问题，HTML输出是一堆丑陋的绝对定位的div，需要后处理。)
5个回答
5
我知道两种选项。它们在视觉上看起来非常相似，但输出肯定不是语义化的。
Python: PyMuPDF
安装PyMuPDF：pip install pymupdf
import fitz
def to_html(filepath: str):
doc = fitz.open(filepath)
for i, page in enumerate(doc):
text = page.getText("html")
with open(f"pymupdf-page-{i}.html", "w") as fp:
fp.write(text)
doc.close()
pdftohtml
在 Debian 源代码中（此处）
pdftohtml -c
- Martin Thoma
4
使用PDFtoHTMLEx处理PDF文档，它可以生成完美的像素级HTML标记（定位的div）。
要获得语义化的HTML，可以使用transcript.py（我是作者）对文档进行后处理。这将生成包括标题、段落、列表和数据表在内的语义化HTML。请注意，标签是重构的（而不是提取的），因为Python代码正在寻找视觉设计约定，并根据布局进行决策。结构标签和语义信息通常不会出现在PDF中。
要获得语义化的HTML，可以使用transcript.py（我是作者）对文档进行后处理。这将生成包括标题、段落、列表和数据表在内的语义化HTML。请注意，标签是重构的（而不是提取的），因为Python代码正在寻找视觉设计约定，并根据布局进行决策。结构标签和语义信息通常不会出现在PDF中。
- fmalina
2
你的脚本只支持Python 3吗？ - Konstantin
确实，你对Python 2.7的兼容性感兴趣吗？这不是什么大问题，我只是一个纯粹主义者。 - fmalina
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接