使用Python 实现 PDF 到 HTML 的转换

PDF 文件是共享和分发文档的常用选择，但提取和再利用 PDF 文件中的内容可能会非常麻烦。而利用 Python 将 PDF 文件转换为 HTML 是解决此问题的理想方案之一，这样做可以增强文档可访问性，使文档可搜索，同时增强文档在不同场景中的实用性。此外，HTML 格式使得搜索引擎能够对内容进行索引，从而更有可能在网络上被发现。借助 Python 的灵活性和易用性，无论是初学者还是有经验的开发人员都可以轻松高效地使用 Python 来将 PDF 转换为 HTML。

本文重点介绍如何在 Python 程序中将 PDF 转换为 HTML，主要包括以下内容：

• 使用Python 将 PDF 转换为 HTML 方法概览
• 使用 Python 代码将 PDF 转换为单个 HTML 文件
• 使用 Python 将 PDF 转换为不嵌入图像的 HTML
• 使用 Python 将 PDF 转换为多个 HTML 文件

---

本文介绍的方法使用了 Spire.PDF for Python 工具，可以从官网下载，也可以通过 PyPI 进行安装：

pip install Spire.PDF

 

Python PDF 转 HTML 方法概览

在 Spire.PDF for Python 中，PdfDocument 类表示一个 PDF 文档。我们可以使用该类下的 LoadFromFile() 方法加载 PDF 文件，然后使用 SaveToFile() 方法将文档保存为其他格式，如 HTML，从而轻松实现从 PDF 到 HTML 的转换。

此外，该 API 还提供了 PdfDocument.ConvertOptions 属性下的 SetConvertHtmlOptions() 方法，用于在转换过程中设置转换选项。以下是可以传递给该方法的参数，用于设置最大页数、SVG 嵌入选项、图像嵌入选项和 SVG 质量选项：

• useEmbeddedSvg(bool)：当设置为 True 时，允许在转换后的 HTML 文件中嵌入 SVG。生成的 HTML 文件将包含 PDF 文档中的所有元素，包括图像，都在一个 HTML 文件中。
• useEmbeddedImg(bool)：当设置为 True 时，允许在转换后的 HTML 文件中嵌入图像。此参数仅在 useEmbeddedSvg 设置为 False 时起作用。
• maxPageOneFile(int)：设置单个 HTML 文件中包含的最大页数。如果 PDF 的页数超过指定的数字，将生成多个 HTML 文件，每个文件包含部分页数。
• useHighQualityEmbeddedSvg(bool)：当设置为 True 时，在 HTML 转换过程中确保使用高质量的嵌入 SVG 图像。

 

使用 Python 将 PDF 转换为单个 HTML 文件

以下代码示例展示了如何直接使用 Python 将 PDF 转换为 HTML，不设置任何转换选项。在这种情况下，我们只需要使用 LoadFromFile 方法加载 PDF 文件，并使用 SaveToFile 方法将其保存为 HTML 文件。转换后的 HTML 文件将是一个包含嵌入图像和其他元素的单个 HTML 文件。

from spire.pdf.common import *
from spire.pdf import *

# 创建一个PdfDocument类的对象
doc = PdfDocument()

# 加载一个PDF文档
doc.LoadFromFile("示例.pdf")

# 将文档转换为HTML
doc.SaveToFile("output/HTML/PDF转HTML.html", FileFormat.HTML)
doc.Close()

转换效果：

 

使用 Python 将 PDF 转换为不嵌入图像的 HTML

通过将 useEmbeddedSvg 参数设置为 False，我们可以将 PDF 文档转换为不嵌入图像等信息的单 HTML 文件，文档中的图像和 CSS 文件与 HTML 分离并存储在一个文件夹中。这样可以方便对转换后的 HTML 文件进行进一步编辑，以及对图像进行其他操作。

from spire.pdf.common import *
from spire.pdf import *

# 创建一个PdfDocument类的对象
doc = PdfDocument()

# 加载一个PDF文档
doc.LoadFromFile("示例.pdf")

# 禁用SVG嵌入
doc.ConvertOptions.SetPdfToHtmlOptions(False)

# 将文档转换为HTML
doc.SaveToFile("output/HTML/PDF转不嵌入SVG的HTML.html", FileFormat.HTML)
doc.Close()

转换结果：

 

使用 Python 将 PDF 转换为多个 HTML 文件

在 useEmbeddedSvg 设置为 False 的前提下，SetPdfToHtmlOptions 方法允许使用 maxPageOneFile(int) 参数确定每个转换后的 HTML 文件中包含的最大页数。此功能可实现将 PDF 文档在转换过程中拆分成多个文件。例如，将该参数设置为 1 将使每个页面被转换为一个单独的 HTML 文件。

from spire.pdf.common import *
from spire.pdf import *

# 创建一个PdfDocument类的对象
doc = PdfDocument()

# 加载一个PDF文档
doc.LoadFromFile("示例.pdf")

# 禁用SVG嵌入
doc.ConvertOptions.SetPdfToHtmlOptions(False, False, 1, False)

# 将文档转换为HTML
doc.SaveToFile("output/HTML/PDF转多个HTML.html", FileFormat.HTML)
doc.Close()

转换结果：

 

总结

本文演示了如何使用 Python 将 PDF 转换为 HTML，并提供了多种转换选项，例如转换为单个 HTML 文件、将 HTML 文件与图像分离以及在转换过程中拆分 PDF 文档。借助 Spire.PDF for Python，用户可以使用简单高效的方法进行 Python 中的 PDF 到 HTML 转换，并支持灵活的自定义选项。

如果在使用该 API 进行 PDF 到 HTML 转换时遇到任何问题，用户可以在 Spire 产品论坛上寻求技术支持。