html - 将 PDF 转换为 HTML，保持布局

Question

有哪些方法可以将 PDF 转换为 HTML？它可以是任何东西——在线服务、软件、图书馆。 (首选开源。在最后一种情况下，首选 php 或 python。)它必须保持原始布局(包括页码、脚注等)，保持图像(将它们组合成每页一个背景图像是可以接受的)并保留链接。它应该最好输出有效的 XHTML 并清除连字等 PDF 功能，但如果需要进行一些后期处理，我可以接受。具有干净、相对语义化的 HTML 输出的东西会很棒。

我找到的最接近的是 zamzar.org ，但它在链接上窒息了。 (此外，HTML 输出是一堆丑陋的绝对定位的 div，并且由于编码问题需要进行后处理。)

Answer 1

我知道两个选择。两者在视觉上看起来非常相似，但输出肯定不是语义的。

Python:PyMuPDF

安装 PyMuPDF:pip install pymupdf

import fitz

def to_html(filepath: str):
    doc = fitz.open(filepath)
    for i, page in enumerate(doc):
        text = page.getText("html")
        with open(f"pymupdf-page-{i}.html", "w") as fp:
            fp.write(text)
    doc.close()

pdftohtml

在 debian 源代码中 ( this one )

pdftohtml -c