Konwertuj PDF na HTML

Witryna internetowa, system zarządzania treścią lub aplikacja przeglądarkowa może wymagać edytowalnego i możliwego do przeszukiwania HTML zamiast niezmiennego pliku PDF. Konwersja wyodrębnia tekst, obrazy i układ PDF do plików internetowych, ale złożone dokumenty zwykle wymagają ręcznej korekty przed publikacją.

Czym jest format PDF

PDF, czyli Portable Document Format, zachowuje wygląd stron dokumentu w różnych systemach operacyjnych i na różnych drukarkach, przechowując tekst, czcionki, grafikę wektorową, obrazy rastrowe oraz instrukcje pozycjonowania. Adobe Acrobat, Microsoft Word, LibreOffice, skanery, oprogramowanie DTP, systemy raportowania i przeglądarki internetowe tworzą lub wyświetlają pliki PDF. Z tego formatu często korzysta się w przypadku faktur, instrukcji, formularzy, umów, prac naukowych, broszur i dokumentów rządowych.

Plik PDF może zawierać zaznaczalny tekst, osadzone czcionki, obrazy, adnotacje, zakładki, pola formularzy, multimedia i szyfrowanie. Skanowany PDF zawiera obrazy stron zamiast danych znakowych; przed konwersją umożliwiającą uzyskanie użytecznego tekstu HTML wymaga optycznego rozpoznawania znaków (OCR).

Czym jest format HTML

HTML, czyli HyperText Markup Language, przedstawia zawartość internetową za pomocą elementów przeznaczonych dla nagłówków, akapitów, list, linków, tabel, obrazów i formularzy. Przeglądarki renderują HTML bezpośrednio, a serwery internetowe, systemy zarządzania treścią, czytniki ekranu, wyszukiwarki i edytory kodu mogą go przetwarzać i modyfikować. Dokument HTML może używać CSS do prezentacji oraz odwoływać się do osobnych plików obrazów, arkuszy stylów i skryptów.

W przeciwieństwie do stałego modelu stron PDF HTML może dostosowywać układ do ekranów telefonów, tabletów i komputerów. Semantyczne nagłówki, linki, listy i punkty orientacyjne mogą poprawić nawigację, dostępność i indeksowanie, jeśli przekonwertowane znaczniki zostaną prawidłowo poprawione i uporządkowane.

Konwersja za pomocą pdftohtml z pakietu Poppler

pdftohtml z pakietu Poppler to bezpłatna lokalna opcja dla tekstowych plików PDF w systemach Linux, macOS i Windows. Zainstaluj pakiet narzędzi Poppler za pomocą menedżera pakietów systemu operacyjnego lub zaufanej kompilacji dla Windows, a następnie otwórz terminal w folderze zawierającym plik PDF.

1. Uruchom pdftohtml -s -noframes -c input.pdf output.html. Zastąp input.pdf nazwą pliku źródłowego.
2. Otwórz output.html w przeglądarce i sprawdź kolejność czytania, nagłówki, tabele, linki, obrazy oraz podziały stron.
3. Pozostaw wygenerowane pliki obrazów i arkuszy stylów obok pliku HTML, chyba że zaktualizujesz ich ścieżki względne.
4. Edytuj znaczniki, aby przywrócić poziomy nagłówków, usunąć niepotrzebne pozycjonowanie absolutne, dodać opisowy tekst alt i zastąpić powtarzające się elementy stron za pomocą CSS.

Opcja -s żąda utworzenia jednego dokumentu HTML, -noframes zapobiega użyciu framesetu, a -c włącza obsługę złożonego układu. W przypadku skanowanego źródła najpierw utwórz przeszukiwalną kopię za pomocą ocrmypdf input.pdf searchable.pdf, a następnie uruchom pdftohtml dla pliku searchable.pdf. Dokładność OCR zależy od rozdzielczości skanu, języka, kroju pisma i jakości strony.

Konwersja za pomocą Adobe Acrobat Pro

1. Otwórz plik PDF w programie Acrobat Pro.
2. Wybierz File → Export To → HTML Web Page, jeśli ta opcja eksportu jest dostępna w zainstalowanej wersji Acrobat.
3. Zapisz wygenerowany plik HTML oraz powiązane z nim zasoby w folderze.
4. Otwórz wynik w przeglądarce, a następnie edytuj i sprawdź poprawność znaczników przed publikacją.

Eksport z Acrobat jest wygodny w przypadku zwykłych dokumentów, ale wizualnie zaaranżowany plik PDF może zostać przekształcony w HTML zawierający pozycje absolutne, stałe rozmiary lub fragmentaryczny tekst zamiast przejrzystej struktury semantycznej.

Korzystanie z konwertera internetowego

CloudConvert i Zamzar oferują konwersję PDF do HTML działającą w przeglądarce. Prześlij plik PDF, wybierz HTML jako format wyjściowy, rozpocznij konwersję i pobierz plik HTML wraz z wygenerowanymi obrazami, arkuszami stylów lub archiwum. Przed przesłaniem umów, danych osobowych, danych uwierzytelniających lub poufnych plików firmowych zapoznaj się z zasadami przechowywania i usuwania danych stosowanymi przez dostawcę; narzędzia lokalne zachowują źródło w Twoim systemie.

Ograniczenia jakości i zgodności

PDF przede wszystkim zapisuje wygląd, a nie semantykę dokumentu. Wizualny nagłówek może być zwykłym tekstem pozycjonowanym, tekst wielokolumnowy może pojawić się w niewłaściwej kolejności czytania, a tabela może zostać przekonwertowana na osobne fragmenty lub elementy pozycjonowane absolutnie. Czcionki, ligatury, przypisy, przezroczystość, grafika warstwowa, adnotacje, pola formularzy, nagłówki i stopki również mogą zostać przekonwertowane nieprawidłowo.

W przypadku responsywnej witryny internetowej traktuj konwersję jako wyodrębnianie treści, a nie ukończoną stronę. Ustaw kodowanie UTF-8, popraw strukturę dokumentu, używaj elementów semantycznych, takich jak <main> i <nav>, zoptymalizuj wyodrębnione obrazy, sprawdź poprawność HTML, przetestuj nawigację za pomocą klawiatury i strukturę dla czytników ekranu oraz sprawdź małe szerokości obszaru wyświetlania. Jeśli dostępne jest źródło w programie Word, InDesign, LibreOffice lub systemie publikowania, bezpośredni eksport tego uporządkowanego źródła do HTML zwykle daje lepsze rezultaty niż konwersja pliku PDF.