如何使用 Python 将 PDF 转换为干净的 HTML答案

【问题标题】：How to convert PDF to clean HTML using Python如何使用 Python 将 PDF 转换为干净的 HTML
【发布时间】：2019-11-25 19:35:00
【问题描述】：

我想让用户上传 PDF，将该 PDF 转换为 HTML 代码，然后将此代码插入到 <div> 中以显示 PDF 文档。我正在使用 PDFMiner 来分析上传的 PDF。当我将其转换为 HTML 时，HTML 很乱，并且文档显示错误HTML Mess .我已经尝试过 XML，但它仍然无法使用，因为文本显示时没有空格。我该如何改进呢？谢谢。


def main():

 contentRaw =  convert_pdf(file.filename, 'html')
 contentR = json.dumps(contentRaw)
 contentOut = (contentRaw)
 return render_template('app.html', title=" App", filename=file.filename, content=Markup(contentOut), instructions=instructions)



def convert_pdf(path, format='text', codec='utf-8', password=''):
    rsrcmgr = PDFResourceManager()
    retstr = BytesIO()
    laparams = LAParams()
    if format == 'text':
        device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    elif format == 'html':
        device = HTMLConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    elif format == 'xml':
        device = XMLConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    else:
        raise ValueError('provide format, either text, html or xml!')
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    maxpages = 0
    caching = True
    pagenos=set()
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

    text = retstr.getvalue().decode()
    fp.close()
    device.close()
    retstr.close()
    return text

【问题讨论】：

应该使用诸如 PDF.js 之类的库来显示 PDF，而不是转换为 HTML：mozilla.github.io/pdf.js
@MaxiMouse 我想在页面的其他元素中显示 pdf，例如 div。 PDF.js 可以帮助解决这个问题吗？另外，我认为 PDF.js 在网络服务器上运行，我正在为这个项目使用 python。有没有用 Python 编写的类似于 pdf.js 的库？我没有找到任何可靠的东西。
PDF.js 在浏览器中运行。它将 PDF 呈现到 canvas 元素上，您可以将其放入 div 中。

标签： python html pdf flask pdfminer

【解决方案1】：

PDF 是一种非常普及的格式，它不仅仅是一种标记语言（HTML 是）。

编写 PDF 到 HTML 的转换器以保留文档的外观是一个相当复杂的故事：您的软件必须理解所有命令、对象、维护图形状态等。执行符合标准的 PDF 阅读器和查看器所做的所有事情。毕竟将文档内容转换为 HTML。

您可以从PDF 1.7 specification开始。

我建议您查看pdfreader 并编写自定义 PDFViewer 或以某种方式处理它可以提取的文本 + pdf 命令。

【讨论】：

【解决方案2】：

为什么不尝试使用现有的 PDF 到 HTML 转换器？使用现有库的示例：

import pdftables_api

c = pdftables_api.Client('my-api-key')
c.html('input.pdf', 'output.html')

【讨论】：

【解决方案3】：

如果您有兴趣尝试其他 Python 包，那么我建议您使用Aspose.Words Cloud SDK for Python。它支持 PDF 到 HTML 转换中的格式。

# For complete examples and data files, please go to https://github.com/aspose-words-cloud/aspose-words-cloud-python
# Import module
import asposewordscloud
import asposewordscloud.models.requests
from shutil import copyfile

# Please get your Client ID and Secret from https://dashboard.aspose.cloud.
client_id='xxxxxx-xxxx-xxxx-xxxx-xxxxxxxxx'
client_secret='xxxxxxxxxxxxxxxxxxxxxxxxxxx'

words_api = asposewordscloud.WordsApi(client_id,client_secret)
words_api.api_client.configuration.host='https://api.aspose.cloud'

filename = 'C:/Temp/02_pages.pdf'
dest_name = 'C:/Temp/02_pages.html'
#Convert RTF to text
request = asposewordscloud.models.requests.ConvertDocumentRequest(document=open(filename, 'rb'), format='html')
result = words_api.convert_document(request)
copyfile(result, dest_name)

P.S：我是 Aspose 的开发布道者

【讨论】：