Converter PDF em HTML

Um arquivo, nenhuma dependência, layout fixo

O que sai é um único arquivo .html, sem nada ao lado. Cada imagem é embutida como data URI, a folha de estilos fica no head e nenhuma fonte é buscada de lugar algum — então a página abre igualzinho em um computador sem conexão com a internet, que é o único tipo de exportação HTML que vale a pena ter. O custo é aritmético: codificar dados binários de imagem como texto os deixa cerca de um terço maiores, então um PDF de 10 MB cheio de digitalizações vira algo perto de 14 MB de HTML, e o navegador precisa interpretar tudo isso antes de mostrar qualquer coisa.

O layout é fixo, não responsivo, e isso é uma escolha, não um esquecimento. Cada página é uma caixa com as dimensões exatas do PDF em pontos, e cada linha de texto é um span com posição absoluta nas coordenadas originais, levando junto o tamanho e a cor. Nada se reorganiza, nunca — no celular você vê a página inteira reduzida, não uma coluna de texto legível. Há uma folha de estilos de impressão incluída, então imprimir o HTML quebra as páginas certinho nos limites originais.

Como nenhuma fonte viaja com o arquivo, o texto é exibido na Helvetica ou na Arial que o computador de quem lê tiver. Tamanho e posição ficam certos, o desenho das letras não, então uma linha pode ficar um pouco mais larga que a ilustração por trás dela. Há um truque esperto que vale conhecer: quando as palavras de uma página fazem parte da ilustração desenhada em vez de serem texto real, a camada de texto é gravada mesmo assim, só que transparente — assim a página continua selecionável e pesquisável sem as palavras aparecerem duas vezes.

Links dentro do PDF chegam como texto simples em vez de âncoras, títulos chegam como spans posicionados em vez de elementos de título, e não existe uma ordem de leitura digna do nome. O resultado é uma imagem fiel de um documento que por acaso é feito de HTML — não é uma marcação estruturada e semântica, e não deve ser usado onde um leitor de tela ou um buscador precise entender o conteúdo.

Quando você precisa de outra coisa

O pdf2htmlEX é a ferramenta que faz isso direito. Ele extrai e incorpora as próprias fontes do PDF como fontes web, então o texto não só fica na posição certa, como também sai no tipo de letra e na largura certos, e ele reconstrói as ilustrações vetoriais como vetores em vez de achatar a página em uma imagem. O resultado é muito mais fiel e muito mais complicado. O pdftohtml -s -c in.pdf out.html do Poppler é o meio-termo rápido.

Se o que você realmente quer é uma página web, e não a imagem de uma página — algo que se adapte ao celular, que o Google consiga ler, que um leitor de tela consiga navegar —, nenhum conversor de PDF para HTML vai entregar isso, porque a estrutura necessária foi jogada fora quando o PDF foi criado. Converta em Word no modo de texto corrido e exporte a partir dali, ou volte ao arquivo que deu origem ao PDF.