将PDF转换为HTML

一个文件，零依赖，固定版式

输出结果就是一个.html文件，旁边没有任何附带文件。每张图片都以data URI形式内嵌，样式表写在head中，也不会从任何地方加载字体——所以即使在没有网络的电脑上，页面打开效果也完全一样，而这才是唯一值得拥有的HTML导出方式。代价是一道算术题：把二进制图片数据编码成文本，体积会增大约三分之一，所以一个10 MB的扫描版PDF会变成约14 MB的HTML，而浏览器必须全部解析完才能显示内容。

版式是固定的，而不是响应式的，这是有意的选择，而非疏漏。每一页都是一个与PDF尺寸（以点为单位）完全相同的盒子，每一行文字都是一个绝对定位在原始坐标上的span，字号和颜色也一并保留。任何内容都不会重排——在手机上您看到的是整页缩小，而不是一栏易读的文字。文件内含打印样式表，因此打印HTML时会在原来的页面边界处干净地分页。

由于文件不附带字体，文字会使用读者电脑上的Helvetica或Arial显示。字号和位置是对的，字形却不同，所以某一行文字可能会比背后的图形略宽。有一个巧妙的处理值得了解：当页面上的文字属于绘制的图形而非真实文本时，文字层依然会写出来，但设为透明——这样页面仍可选中、可搜索，文字又不会重复显示两次。

PDF中的链接会变成纯文本而不是锚点，标题会变成定位的span而不是标题元素，也谈不上什么阅读顺序。输出结果是对文档的精确再现，只不过恰好是用HTML做成的——它不是有结构、有语义的标记，不适合用在需要屏幕阅读器或搜索引擎理解内容的场合。

如果您需要的是别的

pdf2htmlEX才是把这件事做到位的工具。它会提取PDF自带的字体并作为网页字体嵌入，所以文字不仅位置正确，字体和宽度也都对；它还会把矢量图形重建为矢量，而不是把整页压平成一张图片。输出结果的还原度高得多，复杂程度也高得多。Poppler的pdftohtml -s -c in.pdf out.html则是快速的折中方案。

如果您真正想要的是一个网页，而不是一张网页形式的页面图——能在手机上重排、能被Google读懂、能让屏幕阅读器导航——那么任何PDF转HTML工具都给不了您，因为所需的结构在生成PDF时就已经丢掉了。请以流式模式转换为Word再从Word导出，或者回到生成这个PDF的原始文件。