Chuyển PDF sang HTML

Một file, không phụ thuộc gì, bố cục cố định

Kết quả là một file .html duy nhất, không có gì đi kèm. Mọi hình ảnh được nhúng dưới dạng data URI, stylesheet nằm trong phần head, và không phông chữ nào được tải từ bất kỳ đâu — nên trang mở ra giống hệt nhau trên máy không có kết nối internet, và đó là kiểu xuất HTML duy nhất đáng có. Cái giá là phép tính đơn giản: mã hóa dữ liệu ảnh nhị phân thành văn bản làm nó lớn thêm khoảng một phần ba, nên một PDF 10 MB toàn bản scan sẽ thành khoảng 14 MB HTML, và trình duyệt phải phân tích hết chỗ đó trước khi hiển thị bất cứ thứ gì.

Bố cục cố định, không responsive, và đây là một lựa chọn chứ không phải thiếu sót. Mỗi trang là một khung có đúng kích thước của trang PDF tính bằng point, và mỗi dòng chữ là một span được định vị tuyệt đối tại tọa độ gốc, giữ nguyên cỡ chữ và màu. Không có gì tự dàn lại, không bao giờ — trên điện thoại bạn thấy cả trang được thu nhỏ, chứ không phải một cột chữ dễ đọc. File kèm sẵn stylesheet dành cho in, nên khi in HTML, các trang ngắt gọn gàng đúng ranh giới trang gốc.

Vì không có phông chữ nào đi kèm file, chữ được hiển thị bằng Helvetica hoặc Arial có sẵn trên máy người đọc. Cỡ chữ và vị trí thì đúng nhưng hình dáng chữ thì không, nên một dòng có thể dài hơn hình vẽ phía sau một chút. Có một mẹo hay đáng biết: khi chữ trên trang là một phần của hình vẽ chứ không phải văn bản thật, lớp văn bản vẫn được ghi ra, nhưng ở dạng trong suốt — nên trang vẫn chọn được và tìm kiếm được mà chữ không hiện hai lần.

Liên kết trong PDF đến nơi dưới dạng chữ thường chứ không phải thẻ liên kết, tiêu đề đến dưới dạng span định vị chứ không phải thẻ tiêu đề, và gần như không có thứ tự đọc. Kết quả là một bức tranh chính xác của tài liệu, tình cờ được tạo bằng HTML — không phải mã HTML có cấu trúc, có ngữ nghĩa, và không nên dùng ở nơi trình đọc màn hình hay công cụ tìm kiếm phải hiểu được nội dung.

Khi bạn cần công cụ khác

pdf2htmlEX là công cụ làm việc này đúng cách. Nó trích xuất phông chữ gốc của PDF và nhúng dưới dạng web font, nên chữ không chỉ đúng vị trí mà còn đúng kiểu chữ, đúng độ rộng, và nó dựng lại hình vector thành vector thay vì làm phẳng trang thành một bức ảnh. Kết quả trung thực hơn hẳn và cũng phức tạp hơn hẳn. Lệnh pdftohtml -s -c in.pdf out.html của Poppler là phương án trung gian nhanh gọn.

Nếu điều bạn thực sự muốn là một trang web chứ không phải bức ảnh của một trang — thứ tự dàn lại trên điện thoại, Google đọc được, trình đọc màn hình điều hướng được — thì không công cụ chuyển PDF sang HTML nào làm được, vì cấu trúc cần thiết đã bị bỏ đi khi PDF được tạo ra. Hãy dùng Chuyển PDF sang Word ở chế độ văn bản tự dàn rồi xuất từ đó, hoặc quay lại file gốc đã dùng để tạo PDF.