PDF HTML 변환

파일 하나, 의존성 없음, 고정 레이아웃

결과물은 옆에 아무것도 딸리지 않은 .html 파일 하나입니다. 모든 그림은 data URI로 내장되고, 스타일시트는 head 안에 있으며, 어디에서도 글꼴을 불러오지 않습니다. 그래서 인터넷 연결이 없는 컴퓨터에서도 똑같이 열리는데, HTML 내보내기라면 마땅히 이래야 합니다. 대가는 단순한 계산입니다. 바이너리 이미지 데이터를 텍스트로 인코딩하면 약 3분의 1이 커지므로, 스캔본으로 된 10 MB PDF는 HTML로 14 MB 가까이 되고, 브라우저는 무언가를 보여 주기 전에 이를 모두 해석해야 합니다.

레이아웃은 반응형이 아니라 고정형이며, 이는 빠뜨린 것이 아니라 의도한 선택입니다. 각 페이지는 PDF의 정확한 크기(포인트 단위)를 가진 상자이고, 모든 텍스트 줄은 원래 좌표에 절대 위치로 배치된 span으로, 크기와 색상도 그대로 옮겨집니다. 어떤 경우에도 다시 배치되지 않습니다. 휴대폰에서는 읽기 좋은 한 단의 텍스트가 아니라 페이지 전체가 축소되어 보입니다. 인쇄용 스타일시트가 포함되어 있어 HTML을 인쇄하면 원래 페이지 경계에서 깔끔하게 나뉩니다.

글꼴이 파일과 함께 가지 않으므로 텍스트는 읽는 사람의 컴퓨터에 있는 Helvetica나 Arial로 표시됩니다. 크기와 위치는 맞지만 글자 모양은 다르기 때문에, 한 줄이 뒤의 그림보다 조금 넓게 나갈 수 있습니다. 알아 둘 만한 깔끔한 기법이 하나 있습니다. 페이지의 글자가 실제 텍스트가 아니라 그려진 그림의 일부인 경우에도 텍스트 레이어는 작성되지만 투명하게 처리됩니다. 그래서 글자가 두 번 보이지 않으면서도 페이지를 선택하고 검색할 수 있습니다.

PDF 안의 링크는 앵커가 아닌 일반 텍스트로, 제목은 제목 요소가 아닌 위치 지정 span으로 들어오며, 읽는 순서라고 할 만한 것도 없습니다. 결과물은 우연히 HTML로 만들어진 문서의 정확한 그림일 뿐, 구조를 갖춘 시맨틱 마크업이 아닙니다. 화면 낭독기나 검색 엔진이 내용을 이해해야 하는 곳에는 사용하지 마세요.

다른 작업이 필요할 때

이 작업을 제대로 하는 도구는 pdf2htmlEX입니다. PDF의 자체 글꼴을 추출해 웹 글꼴로 내장하므로, 텍스트가 올바른 위치에 놓일 뿐 아니라 올바른 서체와 너비로 표시됩니다. 또 페이지를 그림 하나로 평면화하는 대신 벡터 그림을 벡터로 재구성합니다. 결과는 훨씬 더 충실하고, 그만큼 훨씬 더 복잡합니다. Poppler의 pdftohtml -s -c in.pdf out.html은 빠른 중간 선택지입니다.

원하는 것이 페이지의 그림이 아니라 진짜 웹 페이지, 즉 휴대폰에서 다시 배치되고, Google이 읽을 수 있고, 화면 낭독기로 탐색할 수 있는 페이지라면 어떤 PDF HTML 변환 도구도 그것을 만들어 주지 못합니다. 필요한 구조가 PDF를 만들 때 이미 버려졌기 때문입니다. 흐름 모드로 PDF 워드 변환을 한 뒤 거기서 내보내거나, PDF를 인쇄한 원본 파일로 돌아가세요.