html无损转换pdf,Pdf2html ：高保真PDF至HTML转换
高保真PDF至HTML轉換
pdf2htmlEX介紹
傳統pdf2html有兩種：
一種相當于pdf2text加一些比較弱的格式，基本跟pdf2text也差不了多少
另一種是把所有渲染成圖片然后嵌到一個html,結果是文字信息都丟失(不能選擇，拷貝)，生成的文件還巨大。
pdf2htmlEX結合二者優點，既保留了文字，又保留了格式。
具體來說有如下特性
1.從pdf提取字體
2.保證渲染準確性，針對web進行優化(包括減少文件大小，文字行合并，(為HTML文字選擇)字體重編碼等等)
3.其他內容用圖片顯示
4.單文件輸出，一個HTML搞定一切
pdf2htmlEX開源主頁地址
詳細介紹
中文討論組
編譯流程：
官方編譯文檔：https://github.com/coolwanglu/pdf2htmlEX/wiki/Building
對環境要求較高，建議使用最新機器，本例安裝采用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
編譯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;
編譯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
編譯 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
#設置環境變量
export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig
編譯pdf2htmlEX
git clone git://github.com/coolwanglu/pdf2htmlEX.git;
cd pdf2htmlEX;
cmake . ;
make && make install;
FQA
1.pdf2htmlEX 自動隱藏轉碼后沒有找到字體庫的字，導致html中文字無法顯示的解決辦法
如果系統沒有安裝字體時，pdf2htmlEX會默認隱藏該字段內容。轉換的html沒有內容。
通過修改源碼：
./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 中文解釋
help：
用法: pdf2htmlEX [options] []
-f,--first-page 需要轉換的起始頁 (默認: 1)
-l,--last-page 需要轉換的最后一頁 (默認: 2147483647)
--zoom 縮放比例
--fit-width 適合寬度 像素
--fit-height 適合高度 像素
--use-cropbox 使用剪切框 (default: 1)
--hdpi 圖像水平分辨率 (default: 144)
--vdpi 圖像垂直分辨率 (default: 144)
--embed 指定哪些元素應該被嵌入到輸出
--embed-css 將CSS文件嵌入到輸出中 (default: 1)
--embed-font 將字體文件嵌入到輸出中 (default: 1)
--embed-image 將圖片文件嵌入到輸出中 (default: 1)
--embed-javascript 將javascript文件嵌入到輸出中 (default: 1)
--embed-outline 將鏈接嵌入到輸出中 (default: 1)
--split-pages 將頁面分割為單獨的文件 (default: 0)
--dest-dir 指定目標目錄 (default: ".")
--css-filename 生成的css文件的文件名 (default: "")
--page-filename 分割的網頁名稱 (default:"")
--outline-filename 生成的鏈接文件名稱 (default:"")
--process-nontext 渲染圖行，文字除外 (default: 1)
--process-outline 在html中顯示鏈接 (default: 1)
--printing 支持打印 (default: 1)
--fallback 在備用模式下輸出 (default: 0)
--embed-external-font 嵌入局部匹配的外部字體 (default: 1)
--font-format 嵌入的字體文件后綴 (ttf,otf,woff,svg) (default: "woff")
--decompose-ligature 分解連字-> fi (default:0)
--auto-hint 使用fontforge的autohint上的字體時不提示 (default: 0)
--external-hint-tool 字體外部提示工具 (overrides --auto-hint) (default: "")
--stretch-narrow-glyph 伸展狹窄的字形，而不是填充 (default: 0)
--squeeze-wide-glyph 收縮較寬的字形，而不是截斷 (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 合并文本的水平臨界值，單位：像素(default: 1)
--veps vertical threshold for merging text, in pixels (default: 1)
--space-threshold 斷字臨界值 (臨界值 * em) (default:0.125)
--font-size-multiplier 一個大于1的值增加渲染精度 (default: 4)
--space-as-offset 把空格字符作為偏移量 (default: 0)
--tounicode 如何處理ToUnicode的CMap (0=auto, 1=force,-1=ignore) (default: 0)
--optimize-text 盡量減少用于文本的HTML元素的數目 (default: 0)
--bg-format 指定背景圖像格式 (default: "png")
-o,--owner-password 所有者密碼 (為了加密文件)
-u,--user-password 用戶密碼 (為了加密文件)
--no-drm 覆蓋文檔的 DRM 設置 (default: 0)
--clean-tmp 轉換后刪除臨時文件 (default: 1)
--data-dir 指定的數據目錄 (default: ".\share\pdf2htmlEX")
--debug 打印調試信息 (default: 0)
-v,--version 打印版權和版本信息
-h,--help 打印使用幫助信息
3.常用命令：
1.轉碼操作
1.1 pdf2htmlEX pdf/test.pdf --debug=1 #開啟debug模式，用于監控轉碼過程
1.2. pdf2htmlEX -f 3 -l 5 --fit-width=1024 --bg-format=jpg pdf/test.pdf #只有第三，第四和第五頁轉換，該頁的寬度為1024像素。生成JPEG格式背景圖像
1.3. pdf2htmlEX --embed=cfijo --dest-dir=out pdf/test.pdf # 分離所有資源(字體，圖片，CSS和JavaScript)并將存儲在指定的out文件中
1.4. pdf2htmlEX --embed=cfijo --split-pages=1 --dest-dir=out --page-filename=test-%d.page pdf/test.pdf #分離所有資源(字體，圖片，CSS和JavaScript) 并按照--split-pages分離所有頁面test-%d.page，存放在指定out目錄
1.5 pdf2htmlEX pdf/test.pdf --optimize-text =1 #分欄時每一行文字生成在一個div標簽內
查看pdf字體
#emb 意思： 字體是否內置
[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
E-FZ+ZCNHHs-7 Type 1 Custom yes no yes 20 0
DY2+ZCNHHs-8 Type 1 Custom yes no yes 44 0
減少生成的html的字體的大小
https://github.com/yu-liang-kono/pdf2htmlEXOptimize
總結
以上是生活随笔為你收集整理的html无损转换pdf,Pdf2html ：高保真PDF至HTML转换的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： python队列只能一个个读取吗_pyt
- 下一篇： 2017年html5行业报告,云适配发布