有没有办法从 PDF 文件生成精确的 HTML 页面？答案

【问题标题】：Is there any way of generating exact HTML page from a PDF file?有没有办法从 PDF 文件生成精确的 HTML 页面？
【发布时间】：2020-02-18 13:56:37
【问题描述】：

我正在尝试不同的 python 库，例如 pdftotree、pdfminer、tabula 等。但无法获得确切的结果。我的意思是我可以从 HTML 格式的 PDF、图像和表格数据中获取文本，但不像原始 PDF 文件那样维护和组织。有人可以帮我解决这个问题吗？我会很感激的。

【问题讨论】：

答案是否定的，因为 PDF 不包含源 HTML 中存在的 HTML 标签。
Google docs 做到了，gmail 做到了，完全有可能。 PDF->SVG 不是火箭科学。
这些 PDF 中有什么内容？扫描页面？喜欢 PDF 表单吗？
为什么转换为 HTML 对您很重要？之后你如何处理 HTML？可能有更好/更简单的方法来完成您的任务，但您需要详细说明。
@mark-storer “Google docs 做到了，gmail 做到了，这完全有可能。PDF->SVG 不是火箭科学” Google docs 做得很糟糕。如果您将 PDF 上传到 GDrive，并使用 Google Docs 打开它会使 PDF 变得一团糟（例如删除所有图像）。除非您在谈论其他事情，否则我很想知道。

【解决方案1】：

大部分是的。将 PDF 转换为 SVG，并将 SVG 嵌入到您的网页中。

SVG 的图像模型（它可以表示什么以及如何表示）几乎是 PDF 图像模型（它本身是 PostScript 的超集）的超集，尽管 SVG 缺少 PDF 的某些特定于打印的功能。可能已经有很多 PDF->SVG 转换器了。谷歌搜索“Pdf to SVG”发现了很多有希望的热门作品

会有一些并发症：

许多 PDF 文件的长度超过 1 页。您可能需要为一个 10 页的 PDF 文件生成 10 个 SVG 文件，然后围绕这 10 个 SVG 构建一个网页。加入一些动态 HTML 来“翻页”，你就有了一个很好的基于 Web 的 PDF 查看器。
PDF 的某些部分根本不在其图像模型中...书签、注释（表单域、数字签名）、文档元数据（作者、创建日期等）等等。一些非图像模型的东西很常见，以至于 PDF 到 SVG 实用程序可以直接处理它（链接），而其他东西没有 HTML 等价物并且会丢失。

您可以保留数字签名的外观，但这些视觉效果所代表的实际安全性将会消失。保留该签名的外观可能被视为在安全性方面撒谎。

【讨论】：

我认为 OP 实际上想要一个具有实际 <table> s 等的 HTML 文件（尽管从帖子中并不明显），这完全是一个棘手的问题。
感谢您的帮助，SVG 适合我。我试图将 PDF 转换为不同的格式，如 xml 和 json，然后再转换为 html，但无法正常运行。而且我也没有想过将其转换为 SVG。所以，谢谢你的帮助。
@AKX 是的，这就是我想要的，但那是行不通的，除非我使用某种神经网络来重新创建所有 PDF 文件并为页面生成 html-tags。跨度>
“我相信 SVG 的图像模型（它可以表示什么以及如何表示）是 PDF 图像模型的超集” 不幸的是，SVG 并没有涵盖 PDF 所做的一切。一些例子是;一堆 PDF 支持而 SVG 不支持的混合模式。还有 CMYK 和叠印模拟。解决这些问题的唯一方法是将不受支持的内容静态转换为图像并将其放入 SVG。
您可以从（您的色彩空间）转换为 RGB，但要做好并不容易。如果您完全关心色彩准确性，那么是的，@Ryan 绝对正确。如果不是，那么“棒球场” CMYK->RGB 转换器并不是那么难，即使它只是通过其他人的 CMYK->RGB 和 LERPing 对一堆值进行采样。（LERP：线性插值......“LERP”比“LININT”或“LI”或其他任何说法更有趣。SLERP 更有趣（SpLine interpolation）大声）。