如何将PDF转换为HTML？

Question

有没有合适的库可以用来将PDF转换为HTML或其他可以轻松转换为HTML的格式？

我搜索了类似的问题，但没有找到。

我希望能够从PDF中提取文本，可能是图像。我并不打算将PDF嵌入到HTML中。

Answer 1

正如我在上面的评论中提到的，使用可以从here下载的工具Able2Extract7将pdf转换为html是完全可能的。

我已经使用这个工具快两年了，我对它很满意。这个工具可以让你转换PDF为Word，Excel，PowerPoint，Publisher，HTML，OO等。

​

​

Imp注意：：此工具不是免费软件。

HTH

Answer 2

如果您使用的是Linux，请尝试pdftohtml

sudo apt-get install poppler-utils
pdftohtml -enc UTF-8 -noframes infile.pdf outfile.html

在MacOS (带homebrew)上，可以使用以下命令安装pdftohtml：

brew install pdftohtml

开源电子书转换器Calibre还可以将PDF文件转换为HTML，并可在MacOS，Windows和Linux上使用。

Answer 3

下载

• pdfbox-2.0.3.jar
• fontbox-2.0.3.jar
• preflight-2.0.3.jar
• xmpbox-2.0.3.jar
• pdfbox-tools-2.0.3.jar
• pdfbox-debugger-2.0.3.jar

来自http://pdfbox.apache.org/

 import java.io.InputStream;
 import java.io.IOException;
 import org.apache.pdfbox.pdmodel.PDDocument;
 import org.apache.pdfbox.tools.PDFText2HTML;

    // .....
    try {
        InputStream is = // ..... Read PDF file
        PDDocument pdd = PDDocument.load(is); //This is the in-memory representation of the PDF document.
        PDFText2HTML converter = new PDFText2HTML(); // the converter
        String html = converter.getText(pdd); // That's it!
        pdd.close();
        is.close();
    } catch (IOException ioe) {
        // ......
    }

请注意:图像不会被推送到HTML输出。