如何将PDF转换为干净格式的HTML？

Question

有没有一个网站或软件能够干净地将PDF文件转换成HTML文档，而不会有很多无用的HTML代码呢？

- Noah R

---

请参见 https://github.com/fmalina/transcript。 - fmalina

Answer 1

挑战在于PDF是一种布局语言，而HTML则是一种语义化语言，这两者相反。这意味着，在将PDF转换为HTML时，为了保持可读性，必须通过定位单个单词（有时候还要定位字母）来强制进行布局，语义结构通常会混乱或丢失，因此会出现乱码。

您可以通过打开几乎任何代表文本文档的PDF文件并尝试（通过肉眼）查找文本中的单词或段落来了解问题的实质。

与之相比，HTML文档通常很容易从源代码中阅读。

- Alex Brown

---

我尝试通过规范化视觉布局约定来解决这个问题，以达到语义HTML输出。该过程的第一步是使用PDF2HTMLEx将其转换为视觉HTML，然后使用transcript.py https://github.com/fmalina/transcript将其转录为语义HTML。 - fmalina

Answer 2

HTML乱码通常是由PDF文件本身引起的，而不是用于转换的软件。您可以使用任何数量的软件包将PDF转换为HTML。一些选择包括PDF Miner，PDFTOHTML，我相信还有PDFTK。无论是否会出现任何HTML乱码都没有明确定义。

- TARehman