什么是用于 Ruby on Rails 的好的 PDF 到 HTML 转换器？ [关闭]答案

【问题标题】：What is a good PDF to HTML converter for Ruby on Rails? [closed]什么是用于 Ruby on Rails 的好的 PDF 到 HTML 转换器？ [关闭]
【发布时间】：2010-12-26 09:42:45
【问题描述】：

我正在尝试以编程方式将 PDF 转换为 HTML。到目前为止，我一直在使用pdftohtml，但我们的用户对结果并不满意。

这是我需要的：

我正在使用 Ruby on Rails，但是任何在 Unix 上工作的工具都可以工作，因为我可以从命令行调用它。当然，一个不错的 gem 或插件会是完美的。
我希望它是开源的
它需要能够处理图像
如果需要时可以选择丢弃图像，那就太好了
需要稳定
它需要返回布局接近原始pdf的html（我试过pdftohtml，结果在很多情况下都不是那么好）

【问题讨论】：

是否有特定原因需要 html 输出，而不是其他原因？正如其中一个答案所说，pdf和html是截然不同的文档模型。如果我们知道基本要求，我们也许可以提出更好的替代方案......
目前的逻辑是获取pdf并显示为HTML。我公司已经开发了一些解决方案，但是最终的渲染效果不是很好，所以他们想改进它

标签： html ruby-on-rails ruby pdf pdf-to-html

【解决方案1】：

对于 PDF 到 HTML 的转换，pdf2htmlEX 似乎是一个不错的工具（查看所有示例/示例）：

https://github.com/coolwanglu/pdf2htmlEX

【讨论】：

在我有限的测试中，它产生了令人震惊的好结果。
这是gr8工具，但是如何与rails合并？
@BMW 项目 wiki 是一个很好的起点：github.com/coolwanglu/pdf2htmlEX/wiki/Quick-Start。我认为您可以使用 system 调用轻松地将其插入到 Rails 应用程序中。

【解决方案2】：

我刚刚发布了一个 ruby gem 来转换带有开放式无头办公室的文档（通过 poyconverter 或 jodconverter）。它还集成了其他几个库（pdftools 和 netpbm）来从 pdf 文件中提取文本 dans 图像。

你可以在这里找到它https://github.com/itkin/proselytism.git

随意添加您自己的转换器并向我报告一些问题

【讨论】：

【解决方案3】：

在使用pdftohtml一段时间后，对html版本的显示结果不满意，我正在考虑使用google apps document API或scribd API（我现在最喜欢的）

http://www.scribd.com/developers/api

最后我大概会用pdftohtml来简单的提取pdf文件的文本内容以及用于在用户页面上显示原始文件的 scribd api

【讨论】：

【解决方案4】：

可以试试这个。我在 pdftohtml 实用程序周围包装 Ruby 方面做了第一次尝试。宝石可在此处获得：http://gemcutter.org/gems/pdftohtmlr

【讨论】：

【解决方案5】：

你可以试试http://www.pdf-to-html-word.com/pdf-to-html 这真的很好。我在检查了它的功能后付了钱。您可以免费乘车进行测试。或者使用 Acrobat Pro 并使用 CSS 另存为 HTML。这也有效。但是处理一堆文件是一件很痛苦的事情。

【讨论】：

【解决方案6】：

我花了一段时间从事一个涉及将 PDF 作为输入的研究项目。您所要求的只是一项非常艰巨的任务，没有软件可以完美地完成它。尽管 HTML 有一些结构，例如 <p>，但 PDF 是纯粹的表现形式。 HTML 文档会说，“这是一个段落。这是一个图像。”并且演示文稿是从那里解释的。 PDF 文档基本上会说：“这个字符应该在 X,Y 位置呈现。下一个字符将在位置......

我在 Java 中工作，所以我认为我使用的特定程序对你没有多大用处。另外，我记得一些 PDF 生成器将图像拼接成更小的图像并将它们彼此相邻显示——这是一个巨大的痛苦。

有什么方法可以让您使用不同的格式，或者降低您的期望值？您可以执行 Wayne 建议的图像操作，但它不是真正 HTML（而且它不可访问——这对您来说是个问题吗？）。这可能只是你生活的一部分。

【讨论】：

【解决方案7】：

这里有几个 pdftohtml/xpdf 的替代方案：

Adobe 提供免费的在线 PDF 到 HTML 或文本 conversion service。取回文档可能需要一两分钟，但我怀疑此选项会给您带来最佳效果。
有一个pdf-reader ruby gem 可以让您访问PDF 文件的内部。这将涉及您的一些开发/扩展，但您可以使用它来解析 PDF 文件并生成漂亮的 HTML。如果您提前知道用户正在转换什么类型的文件（例如，如果他们使用标准化表单），这可能比听起来容易。
如果您先使用ghostscript（gem 可在此处找到）将 PDF 转换为另一种格式，您可能会有更多选择。 gem 可以从 PDF 文件生成图像（png、jpg 等），但您最好将其转换为 PostScript 文件，因为似乎有无数“PostScript-to-[在此处插入格式]”转换器。

【讨论】：

对于没有很好地转换为 HTML 的 PDF 文档，我建议使用 Adobe 的在线转换服务进行测试。如果它们仍然低于标准，我不会花太多时间研究替代品，因为我认为 Adobe 自己的转换器将是最好的。

【解决方案8】：

尝试使用 poppler 或 xpdf。但它需要一些魔法和约束力。

【讨论】：

poppler 可以将 pdf 渲染为其他内容。您可以接受其中一个目标。

【解决方案9】：

如果一切都失败了，您可以将每个页面转换为图像（使用图像魔法或类似方法）并显示图像，例如 http://books.google.com 或 http://safari.oreilly.com。这会占用大量带宽，但您会忠实于原版。

【讨论】：

这是一个有趣的解决方案，我会研究一下
当我需要将 PDF 很好地转换为其他格式时，我就是这样做的。
如果您需要实际解析 PDF 文件中的文本，此解决方案不是很好。