Convertir PDF a HTML

Un solo archivo, sin dependencias, con diseño fijo

Lo que sale es un único archivo .html sin nada al lado. Cada imagen va incrustada como data URI, la hoja de estilos está en el head y no se descarga ninguna fuente de ningún sitio, así que la página se abre igual en una computadora sin conexión a internet, que es el único tipo de exportación HTML que vale la pena. El costo es pura aritmética: codificar datos binarios de imagen como texto los hace aproximadamente un tercio más grandes, así que un PDF de 10 MB lleno de escaneos acaba en unos 14 MB de HTML, y el navegador tiene que analizarlo todo antes de mostrar nada.

El diseño es fijo, no adaptable, y es una decisión, no un descuido. Cada página es una caja con las dimensiones exactas del PDF en puntos, y cada línea de texto es un span con posición absoluta en sus coordenadas originales, con su tamaño y su color. Nada se reacomoda nunca: en un celular ves la página entera reducida, no una columna de texto legible. Incluye una hoja de estilos de impresión, así que al imprimir el HTML los cortes caen limpiamente en los límites de página originales.

Como las fuentes no viajan con el archivo, el texto se muestra con la Helvetica o Arial que tenga la computadora del lector. El tamaño y la posición son correctos y la forma de las letras no, así que una línea puede quedar un poco más ancha que la ilustración que tiene detrás. Hay un truco útil que conviene conocer: cuando las palabras de una página forman parte de la ilustración dibujada y no son texto real, la capa de texto se escribe igualmente, pero transparente, así que la página se puede seleccionar y buscar sin que las palabras aparezcan dos veces.

Los enlaces dentro del PDF llegan como texto sin formato y no como anclas, los títulos llegan como spans posicionados y no como elementos de encabezado, y prácticamente no hay orden de lectura. El resultado es una imagen fiel de un documento que resulta estar hecho de HTML: no es un marcado estructurado ni semántico, y no conviene usarlo donde un lector de pantalla o un buscador tengan que entenderlo.

Si buscas otra cosa

pdf2htmlEX es la herramienta que hace esto como corresponde. Extrae e incrusta las fuentes propias del PDF como fuentes web, así que el texto no solo queda bien colocado, sino con el tipo de letra y el ancho correctos, y reconstruye las ilustraciones vectoriales como vectores en lugar de aplanar la página en una imagen. El resultado es muchísimo más fiel y muchísimo más complicado. pdftohtml -s -c in.pdf out.html de Poppler es el punto intermedio rápido.

Si lo que de verdad quieres es una página web y no una imagen de una página (algo que se reacomode en un celular, que Google pueda leer y por lo que un lector de pantalla pueda navegar), ningún conversor de PDF a HTML te lo va a dar, porque la estructura que necesita se descartó al crear el PDF. Conviértelo a Word en modo de texto fluido y exporta desde ahí, o vuelve al archivo desde el que se imprimió el PDF.