将 PDF 转换为 HTML 的 Java 程序？ [关闭]

Question

我如何编写将 PDF 文件转换为 HTML 的 Java 代码。如果我们在 PDF 文档中有表格，则同一个表格将也在 HTML 文件中，与颜色、链接等其他内容相同。

Answer 1

这是一个两步的过程，因为没有什么能读懂你的想法：

1. 将 PDF 加载到内存中并使用 iText 等库解析内容。
2. 将内容添加到标记并输出 HTML。

只有您可以决定标记应该是什么以及应该显示什么内容。没有标准，也没有软件能读懂你的想法。

为什么不能直接将 PDF 流式传输到浏览器并以这种方式显示？不需要 HTML。

Answer 2

我正是这样做的，基于 Apache PDFBox（即 Java）。请参阅 https://bitbucket.org/petermr/pdf2svg 转换为 SVG 和 https://bitbucket.org/petermr/svg2xml-dev 转换为 XML。我将在下周处理桌子。

这个过程至少有两个步骤，涉及：

• 使用字体、大小、x/y 等将 PDF 转换为 SVG 字符（PDFBox 会这样做）
• 使用坐标查找页面的矩形区域。
• 寻找文本启发式方法，例如“table 1”
• 尝试将区域解释为矩形表格的单元格

然后我们必须查看表格是否有常规列，并查看这些列是否具有有意义的标签。