html无损转换pdf,Pdf2html ：高保真PDF至HTML转换

高保真PDF至HTML转换

pdf2htmlEX介绍

传统pdf2html有两种：

一种相当于pdf2text加一些比较弱的格式，基本跟pdf2text也差不了多少

另一种是把所有渲染成图片然后嵌到一个html,结果是文字信息都丢失(不能选择，拷贝)，生成的文件还巨大。

pdf2htmlEX结合二者优点，既保留了文字，又保留了格式。

具体来说有如下特性

1.从pdf提取字体

2.保证渲染准确性，针对web进行优化(包括减少文件大小，文字行合并，(为HTML文字选择)字体重编码等等)

3.其他内容用图片显示

4.单文件输出，一个HTML搞定一切

pdf2htmlEX开源主页地址

详细介绍

中文讨论组

编译流程：

官方编译文档：https://github.com/coolwanglu/pdf2htmlEX/wiki/Building

对环境要求较高，建议使用最新机器，本例安装采用centos7

YUM基本包：

yum install cmake gcc gcc-c++ gnu-getopt java-1.8.0-openjdk libpng-devel fontforge-devel cairo-devel poppler-devel libspiro-devel poppler-data libjpeg-turbo-devel git fontconfig-devel glibc-static glibc-devel libtool-ltdl-devel zlib-devel poppler-glib-devel mk-configure.noarch libjpeg-turbo libtiff giflib-devel libXt-devel automake bzip2 libuninameslist-devel libspiro dbus-python-devel pango-devel chrpath uuid-c++ uuid uthash-devel.noarch jpackage-utils.noarch gettext libxml2-python27 libxml2-python26 python27-python-devel libxslt-python26 libxslt libxslt-devel python-devel python-javapackages.noarch –nogpgcheck poppler-cpp poppler-cpp-devel libstdc++48-static openjpeg-devel libjpeg libjpeg-devel libpng freetype freetype-devel libxml2 libxml2-devel zlib glibc glib2 glib2-devel bzip2-devel ncurses ncurses-devel curl curl-devel e2fsprogs e2fsprogs-devel krb5 krb5-devel libidn libidn-devel openssl openssl-devel libtool libtool-libs libevent-devel libevent openldap openldap-devel nss_ldap openldap-clients openldap-servers libtool-ltdl bison vim wget make crontabs mlocate ntp lrzsz autoconf libx* qt-* qt4-devel libtiff libopen* gtk2 gtk2-devel gtk2-devel-docs kernel-devel gtk-doc cjkuni-uming-fonts cjkuni-ukai-fonts

编译openjpeg：

wget http://downloads.sourceforge.net/openjpeg.mirror/openjpeg-2.1.0.tar.gz;

tar -xzf openjpeg-2.1.0.tar.gz;

cd openjpeg-2.1.0;

cmake .;

make && make install;

编译poppler：

wget http://poppler.freedesktop.org/poppler-0.35.0.tar.xz;

tar -xf poppler-0.35.0.tar.xz;

cd poppler-0.35.0;

./configure --enable-xpdf-headers --enable-libopenjpeg ;

make && make install；

ln -s /usr/local/lib/libpoppler.so.54 /usr/lib64/libpoppler.so.54

ln -sv /usr/share/poppler /usr/local/share

编译 fontforge

git clone https://github.com/coolwanglu/fontforge.git fontforge;

cd fontforge;

git checkout pdf2htmlEX && ./autogen.sh;

./configure && make V=1 && make install

cp fontforge.pc /usr/local/lib/pkgconfig/;

ln -s /usr/local/lib/libfontforge.so.2 /usr/lib64/libfontforge.so.2

#设置环境变量

export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig

编译pdf2htmlEX

git clone git://github.com/coolwanglu/pdf2htmlEX.git;

cd pdf2htmlEX;

cmake . ;

make && make install;

FQA

1.pdf2htmlEX 自动隐藏转码后没有找到字体库的字，导致html中文字无法显示的解决办法

如果系统没有安装字体时，pdf2htmlEX会默认隐藏该字段内容。转换的html没有内容。

通过修改源码：

./src/HTMLRenderer/font.cc

// TODO: this function is called when some font is unable to process, may use the name there as a hint

void HTMLRenderer::export_remote_default_font(long long fn_id)

{

f_css.fs << "." << CSS::FONT_FAMILY_CN << fn_id << "{font-family:sans-serif;visibility:visible;}" << endl;

// f_css.fs << "." << CSS::FONT_FAMILY_CN << fn_id << "{font-family:sans-serif;visibility:hidden;}" << endl;

}

pdf2htmlEX --help 中文解释

help：

用法: pdf2htmlEX [options] []

-f,--first-page 需要转换的起始页 (默认: 1)

-l,--last-page 需要转换的最后一页 (默认: 2147483647)

--zoom 缩放比例

--fit-width 适合宽度像素

--fit-height 适合高度像素

--use-cropbox 使用剪切框 (default: 1)

--hdpi 图像水平分辨率 (default: 144)

--vdpi 图像垂直分辨率 (default: 144)

--embed 指定哪些元素应该被嵌入到输出

--embed-css 将CSS文件嵌入到输出中 (default: 1)

--embed-font 将字体文件嵌入到输出中 (default: 1)

--embed-image 将图片文件嵌入到输出中 (default: 1)

--embed-javascript 将javascript文件嵌入到输出中 (default: 1)

--embed-outline 将链接嵌入到输出中 (default: 1)

--split-pages 将页面分割为单独的文件 (default: 0)

--dest-dir 指定目标目录 (default: ".")

--css-filename 生成的css文件的文件名 (default: "")

--page-filename 分割的网页名称 (default:"")

--outline-filename 生成的链接文件名称 (default:"")

--process-nontext 渲染图行，文字除外 (default: 1)

--process-outline 在html中显示链接 (default: 1)

--printing 支持打印 (default: 1)

--fallback 在备用模式下输出 (default: 0)

--embed-external-font 嵌入局部匹配的外部字体 (default: 1)

--font-format 嵌入的字体文件后缀 (ttf,otf,woff,svg) (default: "woff")

--decompose-ligature 分解连字-> fi (default:0)

--auto-hint 使用fontforge的autohint上的字体时不提示 (default: 0)

--external-hint-tool 字体外部提示工具 (overrides --auto-hint) (default: "")

--stretch-narrow-glyph 伸展狭窄的字形，而不是填充 (default: 0)

--squeeze-wide-glyph 收缩较宽的字形，而不是截断 (default: 1)

--override-fstype clear the fstype bits in TTF/OTF fonts (default:0)

--process-type3 convert Type 3 fonts for web (experimental) (default: 0)

--heps 合并文本的水平临界值，单位：像素(default: 1)

--veps vertical threshold for merging text, in pixels (default: 1)

--space-threshold 断字临界值 (临界值 * em) (default:0.125)

--font-size-multiplier 一个大于1的值增加渲染精度 (default: 4)

--space-as-offset 把空格字符作为偏移量 (default: 0)

--tounicode 如何处理ToUnicode的CMap (0=auto, 1=force,-1=ignore) (default: 0)

--optimize-text 尽量减少用于文本的HTML元素的数目 (default: 0)

--bg-format 指定背景图像格式 (default: "png")

-o,--owner-password 所有者密码 (为了加密文件)

-u,--user-password 用户密码 (为了加密文件)

--no-drm 覆盖文档的 DRM 设置 (default: 0)

--clean-tmp 转换后删除临时文件 (default: 1)

--data-dir 指定的数据目录 (default: ".\share\pdf2htmlEX")

--debug 打印调试信息 (default: 0)

-v,--version 打印版权和版本信息

-h,--help 打印使用帮助信息

3.常用命令：

1.转码操作

1.1 pdf2htmlEX pdf/test.pdf --debug=1 #开启debug模式，用于监控转码过程

1.2. pdf2htmlEX -f 3 -l 5 --fit-width=1024 --bg-format=jpg pdf/test.pdf #只有第三，第四和第五页转换，该页的宽度为1024像素。生成JPEG格式背景图像

1.3. pdf2htmlEX --embed=cfijo --dest-dir=out pdf/test.pdf # 分离所有资源(字体，图片，CSS和JavaScript)并将存储在指定的out文件中

1.4. pdf2htmlEX --embed=cfijo --split-pages=1 --dest-dir=out --page-filename=test-%d.page pdf/test.pdf #分离所有资源(字体，图片，CSS和JavaScript) 并按照--split-pages分离所有页面test-%d.page，存放在指定out目录

1.5 pdf2htmlEX pdf/test.pdf --optimize-text =1 #分栏时每一行文字生成在一个div标签内

查看pdf字体

#emb 意思：字体是否内置

[root@localhost ]# pdffonts 3.pdf

name type encoding emb sub uni object ID

----------------- ------------- ---------- --- --- --- ---------- --- ---------- --- ---------

_GBK CID TrueType GBK-EUC-H no no no 16 0

_GBK CID TrueType GBK-EUC-H no no no 17 0

SSJ0+ZCNHHr-1 Type 1 Custom yes no yes 19 0

E-BZ+ZCNHHr-3 Type 1 Custom yes no yes 18 0

E-BX+ZCNHHs-5 Type 1 Custom yes no yes 43 0

SSJ0+ZCNHHs-6 Type 1 Custom yes no yes 21 0