PDFをHTMLに変換

1ファイル、依存なし、固定レイアウト

出力されるのは、ほかに何も伴わない1つの.htmlファイルです。すべての画像はデータURIとして埋め込まれ、スタイルシートはheadに入り、フォントはどこからも取得しません。そのため、インターネットにつながっていないマシンでもまったく同じように開けます。HTML書き出しで価値があるのはこの形だけです。代償は単純な計算で、バイナリの画像データをテキストとして符号化すると約3分の1大きくなります。スキャン画像でできた10 MBのPDFは14 MB前後のHTMLになり、ブラウザは何かを表示する前にそのすべてを解析しなければなりません。

レイアウトはレスポンシブではなく固定で、これは手抜きではなく意図した選択です。各ページはPDFの正確な寸法（ポイント単位）を持つボックスで、テキストの各行は元の座標に絶対配置されたspanとなり、サイズと色も引き継がれます。何も折り返しません。スマホでは読みやすい1段のテキストではなく、ページ全体が縮小表示されます。印刷用スタイルシートが含まれているので、HTMLを印刷すると元のページ境界できれいに改ページされます。

フォントはファイルに含まれないため、テキストは閲覧者のマシンにあるHelveticaやArialで表示されます。サイズと位置は正しくても字形は異なるので、1行が背後の画像より少しはみ出すことがあります。知っておくと便利な工夫が1つあります。ページの文字が本物のテキストではなく描画された画像の一部である場合も、テキストレイヤーは書き出されますが、透明にしてあります。そのため、文字が二重に見えることなく、ページの選択や検索ができます。

PDF内のリンクはアンカーではなくプレーンテキストに、見出しは見出し要素ではなく配置されたspanになり、読み取り順と呼べるものはありません。出力は、たまたまHTMLでできた文書の正確な絵であって、構造化されたセマンティックなマークアップではありません。スクリーンリーダーや検索エンジンに内容を理解させる必要がある用途には使うべきではありません。

ほかの目的には

この処理をきちんと行えるツールはpdf2htmlEXです。PDF自身のフォントを抽出してWebフォントとして埋め込むので、テキストの位置が正しいだけでなく、正しい書体と正しい幅で表示されます。さらに、ページを画像に平坦化するのではなく、ベクター画像をベクターのまま再構成します。出力は格段に忠実で、格段に複雑です。Popplerのpdftohtml -s -c in.pdf out.htmlは手軽な中間の選択肢です。

本当に欲しいのがページの絵ではなくWebページ（スマホで折り返し、Googleが読め、スクリーンリーダーで移動できるもの）なら、どんなPDF HTML変換ツールでも実現できません。そのために必要な構造は、PDFが作られた時点で捨てられているからです。流し込みモードでWordに変換してそこから書き出すか、PDFの元になったファイルに戻りましょう。