将PDF转换为HTML，保持布局

Question

有什么方法可以将PDF转换为HTML？它可以是任何东西-在线服务，软件，图书馆。(最好使用开源软件。在最后一种情况下，最好使用php或python。)它必须保留原始布局(包括页码、脚注等)，保留图像(将它们合并为每页一个背景图像是可以接受的)，并保留链接。它应该更好地输出有效的XHTML和清理PDF功能，如连字，但如果有一些后处理需要，我可以接受。具有干净的、相对语义化的HTML输出的东西会更好。

我找到的最接近的是zamzar.org，但它被链接卡住了。(此外，HTML输出是一个由绝对定位的div组成的丑陋的堆，由于编码问题，需要进行后处理。)

Answer 1

我使用的是iText库，我发现它可以很好地解析PDF结构(我用它来搜索文本)。它是一个解析PDF并从中创建对象模型的库，因此您需要编写HTML生成器的代码，但这应该不会太难。

Answer 2

使用PDFtoHTMLEx处理PDF，它生成像素完美的表示式HTML标记(定位的div)。

要获得语义超文本标记语言，可以使用transcript.py (我是作者)对文档进行后期处理。这会产生语义HTML，包括标题、段落、列表和数据表。请记住，标记是重新构造的(而不是提取的)，因为python代码正在寻找视觉设计约定，并根据布局做出决定。结构标签和语义信息通常不会出现在PDF中。

Answer 3

几年前，我还在使用ABBYY PDF Transformer，对于简单的文档来说，它很不错