PDF को HTML में बदलें

एक फ़ाइल, कोई निर्भरता नहीं, तय लेआउट

नतीजा एक अकेली .html फ़ाइल होती है, जिसके साथ और कुछ नहीं होता। हर तस्वीर data URI के रूप में अंदर डाली जाती है, स्टाइलशीट head में होती है, और कोई फ़ॉन्ट कहीं से नहीं मंगाया जाता — इसलिए पेज बिना इंटरनेट वाली मशीन पर भी बिल्कुल एक जैसा खुलता है, और HTML एक्सपोर्ट का यही एक रूप काम का है। इसकी क़ीमत सीधा हिसाब है: बाइनरी इमेज डेटा को टेक्स्ट के रूप में एन्कोड करने से वह लगभग एक-तिहाई बड़ा हो जाता है, इसलिए स्कैन की 10 MB की PDF लगभग 14 MB की HTML बनती है, और ब्राउज़र को कुछ भी दिखाने से पहले यह सब पार्स करना होता है।

लेआउट तय है, रिस्पॉन्सिव नहीं, और यह कोई चूक नहीं, सोचा-समझा फ़ैसला है। हर पेज PDF के सटीक आयामों (पॉइंट में) वाला एक बॉक्स है, और टेक्स्ट की हर लाइन अपने मूल निर्देशांकों पर absolute पोज़िशन वाला span है, जिसमें उसका साइज़ और रंग भी साथ आता है। कुछ भी कभी नहीं ढलता — फ़ोन पर आपको पढ़ने लायक टेक्स्ट का कॉलम नहीं, पूरा पेज छोटा करके मिलता है। प्रिंट स्टाइलशीट शामिल है, इसलिए HTML प्रिंट करने पर पेज मूल पेज-सीमाओं पर साफ़-साफ़ टूटते हैं।

क्योंकि फ़ाइल के साथ कोई फ़ॉन्ट नहीं जाता, टेक्स्ट पढ़ने वाले की मशीन में मौजूद Helvetica या Arial में दिखता है। साइज़ और जगह सही होती है, अक्षरों की बनावट नहीं, इसलिए कोई लाइन अपने पीछे के आर्टवर्क से थोड़ी चौड़ी जा सकती है। एक काम की तरकीब जानने लायक है: जब किसी पेज के शब्द असली टेक्स्ट नहीं बल्कि ड्रॉ किए गए आर्टवर्क का हिस्सा हों, तब भी टेक्स्ट लेयर लिखी जाती है, पर पारदर्शी — ताकि पेज सिलेक्ट और सर्च होने लायक बना रहे और शब्द दो बार न दिखें।

PDF के अंदर के लिंक anchor नहीं, सादे टेक्स्ट के रूप में आते हैं, हेडिंग heading एलिमेंट नहीं, पोज़िशन किए गए span के रूप में आती हैं, और पढ़ने का कोई ख़ास क्रम नहीं होता। नतीजा एक डॉक्यूमेंट की सटीक तस्वीर है जो संयोग से HTML से बनी है — यह संरचित, सिमैंटिक मार्कअप नहीं है, और इसे वहां इस्तेमाल नहीं करना चाहिए जहां स्क्रीन रीडर या सर्च इंजन को इसका मतलब समझना हो।

जब आपको कुछ और चाहिए

pdf2htmlEX वह टूल है जो यह काम ठीक से करता है। यह PDF के अपने फ़ॉन्ट निकालकर वेब फ़ॉन्ट के रूप में एम्बेड करता है, इसलिए टेक्स्ट सिर्फ़ सही जगह पर नहीं, सही टाइपफ़ेस और सही चौड़ाई में भी होता है, और यह पेज को तस्वीर में समेटने की जगह वेक्टर आर्टवर्क को वेक्टर के रूप में ही दोबारा बनाता है। नतीजा कहीं ज़्यादा सटीक और कहीं ज़्यादा जटिल होता है। Poppler का pdftohtml -s -c in.pdf out.html झटपट वाला बीच का रास्ता है।

अगर आपको असल में पेज की तस्वीर नहीं, बल्कि वेब पेज चाहिए — जो फ़ोन पर ढले, जिसे Google पढ़ सके, जिसमें स्क्रीन रीडर घूम सके — तो कोई भी PDF-से-HTML कन्वर्टर यह नहीं दे सकता, क्योंकि उसके लिए ज़रूरी संरचना PDF बनाते समय ही फेंक दी गई थी। फ़्लोइंग मोड में Word में बदलें और वहां से एक्सपोर्ट करें, या उस मूल फ़ाइल पर वापस जाएं जिससे PDF प्रिंट हुई थी।