如何以编程方式将PDF转换为HTML？

Question

是否有任何类、COM对象、命令行实用程序或其他我可以为之创建API的工具，可以将PDF转换为HTML文档？显然，转换可能有点粗糙，因为PDF可以包含比HTML所能描述的更多的内容。我在Source上找到了一个名为pdftohtml的实用工具，但老实说，它在转换过程中做了一个可怕的工作。我不在乎这个软件是免费的还是商业化的，但是有什么东西我可以和我自己的软件结合起来，至少很体面地进行这种转换吗？我知道Google开发了他们自己的方法，因为你可以通过Gmail在附在邮件上的PDF上点击“查看作为HTML”，但是我希望能有一些东西提供给公众。

记住，PDF到HTML。我不担心HTML到PDF。

Answer 1

我能想到的一个解决方案是编写一个小程序，用名为iText的库读取pdf文本，然后生成html文件。

Answer 2

好吧，对于基于java的PDF，solutions...we没有一个干净的方式，我想所有的解决方案都是原始的和某种解决办法..。设计一个PDF 2的模板，然后在运行时使用java，使用xml或其他数据源将数据填充到这个template...either中.

这样一个简单的要求，没有一个有一个好的“开放源码和免费”解决方案！

月食比接近..。但不处理条形码元素..OOB。

Answer 3

您正在寻找pdf2htmlEX (C++)，它可以在不丢失文本或格式的情况下将PDF转换为HTML。

为了进一步转换为语义HTML，您可以使用我的项目文字记录 (Python)处理文字记录输出。然而，它不再是无损的，在不偏离常规视觉布局的文档上工作得最好。