PDF থেকে HTML-এ কনভার্ট করুন

একটি ফাইল, কোনো নির্ভরতা নেই, স্থির লেআউট

ফলাফল হলো একটিমাত্র .html ফাইল, পাশে আর কিছু নেই। প্রতিটি ছবি data URI হিসেবে ভেতরেই রাখা, স্টাইলশিট থাকে head-এ, আর কোনো ফন্ট কোথাও থেকে আনা হয় না — তাই ইন্টারনেট সংযোগহীন কম্পিউটারেও পেজটি হুবহু একইভাবে খোলে, আর HTML এক্সপোর্ট হিসেবে কেবল এটিই কাজের। খরচটা সহজ হিসাব: বাইনারি ছবির ডেটাকে টেক্সট হিসেবে এনকোড করলে তা প্রায় এক-তৃতীয়াংশ বড় হয়ে যায়, তাই স্ক্যানে ভরা ১০ MB-র একটি PDF থেকে প্রায় ১৪ MB HTML হয়, আর কিছু দেখানোর আগে ব্রাউজারকে তার পুরোটাই পার্স করতে হয়।

লেআউট স্থির, রেসপনসিভ নয়, আর এটি বাদ পড়া কিছু নয়, ইচ্ছাকৃত সিদ্ধান্ত। প্রতিটি পেজ PDF-এর হুবহু মাপের (পয়েন্টে) একটি বক্স, আর লেখার প্রতিটি লাইন তার মূল স্থানাঙ্কে absolute অবস্থানে বসানো একটি span, সাইজ ও রংসহ। কোনো কিছুই কখনো নতুন করে সাজে না — ফোনে আপনি পুরো পেজটি ছোট আকারে পাবেন, পড়ার মতো লেখার কলাম নয়। একটি প্রিন্ট স্টাইলশিট দেওয়া আছে, তাই HTML প্রিন্ট করলে মূল পেজের সীমানাতেই পরিষ্কারভাবে পেজ ভাঙে।

ফাইলের সঙ্গে কোনো ফন্ট যায় না বলে লেখা বসে পাঠকের কম্পিউটারে থাকা Helvetica বা Arial-এ। সাইজ আর অবস্থান ঠিক থাকে, কিন্তু অক্ষরের আকৃতি নয়, তাই কোনো লাইন পেছনের আর্টওয়ার্কের চেয়ে একটু চওড়া হয়ে যেতে পারে। একটি চমৎকার কৌশল জেনে রাখার মতো: পেজের শব্দগুলো যখন আসল লেখা নয়, আঁকা আর্টওয়ার্কের অংশ, তখনও টেক্সট লেয়ারটি লেখা হয়, তবে স্বচ্ছভাবে — ফলে শব্দগুলো দুবার দেখা না গিয়েও পেজটি সিলেক্ট ও সার্চযোগ্য থাকে।

PDF-এর ভেতরের লিংক আসে অ্যাঙ্কর নয়, সাধারণ লেখা হিসেবে; শিরোনাম আসে heading এলিমেন্ট নয়, অবস্থান ঠিক করা span হিসেবে; আর পড়ার ক্রম বলতে কিছু থাকে না। আউটপুটটি এমন একটি ডকুমেন্টের নিখুঁত ছবি, যা ঘটনাক্রমে HTML দিয়ে তৈরি — এটি কাঠামোবদ্ধ, সেমান্টিক মার্কআপ নয়, আর যেখানে স্ক্রিন রিডার বা সার্চ ইঞ্জিনকে এর অর্থ বুঝতে হবে সেখানে এটি ব্যবহার করা উচিত নয়।

অন্য কিছু দরকার হলে

pdf2htmlEX হলো সেই টুল, যা কাজটি ঠিকভাবে করে। এটি PDF-এর নিজস্ব ফন্ট বের করে ওয়েব ফন্ট হিসেবে এমবেড করে, ফলে লেখা শুধু সঠিক জায়গায় বসে না, সঠিক টাইপফেসে সঠিক প্রস্থেও বসে; আর পুরো পেজকে ছবিতে চ্যাপ্টা না করে ভেক্টর আর্টওয়ার্ককে ভেক্টর হিসেবেই আবার গড়ে তোলে। আউটপুট অনেক বেশি নিখুঁত, আবার অনেক বেশি জটিলও। Poppler-এর pdftohtml -s -c in.pdf out.html দ্রুত একটি মাঝামাঝি পথ।

আপনি যদি আসলে পেজের ছবি নয়, একটি ওয়েব পেজ চান — যা ফোনে নতুন করে সাজে, Google পড়তে পারে, স্ক্রিন রিডার দিয়ে ঘোরা যায় — তাহলে কোনো PDF-থেকে-HTML কনভার্টারই তা দিতে পারবে না, কারণ এর জন্য দরকারি কাঠামো PDF বানানোর সময়ই ফেলে দেওয়া হয়েছে। ফ্লোয়িং মোডে Word-এ কনভার্ট করুন আর সেখান থেকে এক্সপোর্ট করুন, অথবা যে মূল ফাইল থেকে PDF-টি প্রিন্ট করা হয়েছিল সেখানে ফিরে যান।