Java程序将PDF转换为HTML？

Question

如何编写将 PDF 文件转换为 HTML 的Java代码。如果我们在 PDF 文档中有表格，那么同一个表格将会也可以在 HTML 文件中与其他内容相同，如颜色，链接等。

Answer 1

这是一个两步的过程，因为没有什么可以读懂你的想法：

1. 将PDF加载到内存中，并使用iText等库来解析内容。
2. 将内容添加到标记并输出HTML。

只有您可以决定标记应该是什么以及应该显示哪些内容。没有标准，没有软件可以读懂你的想法。

为什么不能将PDF流式传输到浏览器并以这种方式显示？不需要HTML。

Answer 2

我正在做这件事，基于Apache PDFBox（Java）。请参阅https://bitbucket.org/petermr/pdf2svg以转换为SVG，并https://bitbucket.org/petermr/svg2xml-dev转换为XML。我将在下周处理表格。

该过程至少包括两个步骤，涉及：

• 将PDF转换为SVG字符，包括字体，大小，x / y等。（PDFBox会这样做）
• 使用坐标查找页面的矩形区域。
• 寻找文本启发式方法，例如“table 1”
• 尝试将区域解释为矩形表的单元格

然后，我们必须查看该表是否有常规列，并查看这些列是否具有某些意义。