Ubah PDF ke HTML

Satu file, tanpa dependensi, tata letak tetap

Hasilnya adalah satu file .html tanpa file lain di sampingnya. Setiap gambar ditanam sebagai data URI, stylesheet berada di bagian head, dan tidak ada font yang diambil dari mana pun — sehingga halaman terbuka sama persis di komputer tanpa koneksi internet, dan hanya ekspor HTML seperti itulah yang layak dimiliki. Konsekuensinya soal hitungan: mengodekan data gambar biner sebagai teks membuatnya sekitar sepertiga lebih besar, jadi PDF hasil scan berukuran 10 MB menjadi sekitar 14 MB HTML, yang semuanya harus diurai browser sebelum menampilkan apa pun.

Tata letaknya tetap, bukan responsif, dan ini pilihan, bukan kelalaian. Setiap halaman adalah kotak dengan dimensi persis PDF dalam satuan point, dan setiap baris teks adalah span berposisi absolut di koordinat aslinya, lengkap dengan ukuran dan warnanya. Tidak ada yang mengalir ulang, sama sekali — di ponsel Anda mendapatkan seluruh halaman yang diperkecil, bukan satu kolom teks yang nyaman dibaca. Stylesheet cetak disertakan, jadi saat HTML dicetak, halamannya terpotong rapi di batas halaman aslinya.

Karena tidak ada font yang ikut dalam file, teks ditampilkan dengan Helvetica atau Arial yang tersedia di komputer pembaca. Ukuran dan posisinya tepat, tetapi bentuk hurufnya tidak, sehingga satu baris bisa sedikit lebih lebar daripada gambar di belakangnya. Ada satu trik cerdas yang perlu diketahui: jika kata-kata di suatu halaman merupakan bagian dari gambar, bukan teks sungguhan, lapisan teksnya tetap ditulis, tetapi transparan — sehingga halaman tetap bisa dipilih dan dicari tanpa kata-katanya muncul dua kali.

Tautan di dalam PDF muncul sebagai teks biasa, bukan anchor; judul muncul sebagai span berposisi, bukan elemen heading; dan urutan baca praktis tidak ada. Hasilnya adalah gambaran akurat sebuah dokumen yang kebetulan tersusun dari HTML — bukan markup terstruktur dan semantik, dan tidak sebaiknya dipakai jika pembaca layar atau mesin pencari harus memahaminya.

Jika Anda butuh hal lain

pdf2htmlEX adalah alat yang melakukan ini dengan benar. Alat ini mengekstrak font asli PDF dan menanamkannya sebagai web font, sehingga teks tidak hanya diposisikan dengan tepat tetapi juga ditampilkan dengan jenis huruf dan lebar yang benar, dan gambar vektor disusun ulang sebagai vektor alih-alih meratakan halaman menjadi gambar. Hasilnya jauh lebih setia dan jauh lebih rumit. pdftohtml -s -c in.pdf out.html dari Poppler adalah jalan tengah yang cepat.

Jika yang sebenarnya Anda inginkan adalah halaman web, bukan gambar sebuah halaman — sesuatu yang menyesuaikan diri di ponsel, bisa dibaca Google, dan bisa dinavigasi pembaca layar — tidak ada konverter PDF ke HTML yang bisa memberikannya, karena struktur yang dibutuhkan sudah dibuang saat PDF dibuat. Ubah ke Word dalam mode teks mengalir lalu ekspor dari sana, atau kembali ke file sumber tempat PDF itu dicetak.