如何以编程方式将PDF转换为HTML？

Question

是否有任何类，COM对象，命令行实用程序或其他任何可以为其创建API的PDF都可以将PDF转换为HTML文档？显然，转换可能有点粗糙，因为PDF可以包含比HTML描述的更多的内容。我在Source Forge上找到了一个名为 pdftohtml 的实用程序，但老实说它在转换时执行了一个可怕的工作。我不在乎该软件是免费的还是商业的，但是有什么东西可以与我自己的软件合并，至少可以做到这种转换吗？我知道谷歌开发了他们自己的方法，因为你可以点击通过Gmail附加到电子邮件的PDF上的“以HTML格式查看”，但我希望公众能够获得一些东西。

请记住，PDF到HTML。我不担心HTML到PDF。

Answer 1

我能想到的一个解决方案就是编写一个小程序，使用名为iText的库读取pdf文本，然后生成html文件。

Answer 2

对于基于java的PDF解决方案...我们没有一个干净的方式我猜 - 仍然...所有的解决方案都是原始的和一种解决方法...没有简单的解决方案 1.设计PDF模板 2.然后在运行时使用java，将数据填充到此模板中......使用xml或其他数据源...

这么简单的要求，NONE还有一个很好的“开源免费”解决方案！

Eclipse BIRT接近..但不处理Barcode元素..OOB。

Answer 3

您正在寻找pdf2htmlEX（C ++），它可以将PDF转换为HTML而不会丢失文本或格式。

要进一步转换为语义HTML，您可以使用我的项目Transcript（Python）处理pdf2htmlEX输出。然而，它不再是无损的，并且在不偏离传统视觉布局的文档上效果最好。