【背景】
折腾：
【未解决】将不可拷贝复制的PDF中的表格数据导出并转换为xml格式数据
期间，去试试用pdftohtml，将一个不可拷贝的pdf文件，转换为文本或html。
【折腾过程】
1.继续参考：
Howto Convert PDF files to HTML files | Ubuntu Geek
去想办法找到pdftohtml，然后是可以安装并使用pdftohtml，加上-nodrm参数，转换出来html了：
log如下：
crifan@crifan-Ubuntu:~$ sudo apt-get install poppler-utils [sudo] password for crifan: 正在读取软件包列表... 完成 正在分析软件包的依赖关系树 正在读取状态信息... 完成 poppler-utils 已经是最新的版本了。 升级了 0 个软件包，新安装了 0 个软件包，要卸载 0 个软件包，有 26 个软件包未被升级。 crifan@crifan-Ubuntu:~$ pdf pdf2dsc pdffonts pdfseparate pdftoppm pdfunite pdf2ps pdfimages pdftocairo pdftops pdfdetach pdfinfo pdftohtml pdftotext crifan@crifan-Ubuntu:~$ pdftohtml /media/sf_win7_to_ubuntu/ 19#21#_(101~303).dwg spec183r21.0.pdf examples.desktop test_share python_beginner_tutorial.html unbuntu 13.04 in virtualbox.png crifan@crifan-Ubuntu:~$ pdftohtml /media/sf_win7_to_ubuntu/spec183r21.0.pdf /home/crifan/develop/ crosstool-ng/ ubuntu_share/ crifan@crifan-Ubuntu:~$ pdftohtml /media/sf_win7_to_ubuntu/spec183r21.0.pdf /home/crifan/develop/^Ccrifan@crifan-Ubuntu:~$ pwd /home/crifan crifan@crifan-Ubuntu:~$ cd develop/ crifan@crifan-Ubuntu:~/develop$ mkdir pdf_to_html crifan@crifan-Ubuntu:~/develop$ cd pdf_to_html/ crifan@crifan-Ubuntu:~/develop/pdf_to_html$ pdftohtml^Cmedia/sf_win7_to_ubuntu/spec183r21.0.pdf hart183.html crifan@crifan-Ubuntu:~/develop/pdf_to_html$ pdftohtml --help I/O Error: Couldn't open file '--help': --help. crifan@crifan-Ubuntu:~/develop/pdf_to_html$ pdftohtml -h pdftohtml version 0.20.5 Copyright 2005-2012 The Poppler Developers - http://poppler.freedesktop.org Copyright 1999-2003 Gueorgui Ovtcharov and Rainer Dorsch Copyright 1996-2011 Glyph & Cog, LLC Usage: pdftohtml [options] <PDF-file> [<html-file> <xml-file>] -f <int> : first page to convert -l <int> : last page to convert -q : don't print any messages or errors -h : print usage information -help : print usage information -p : exchange .pdf links by .html -c : generate complex document -s : generate single document that includes all pages -i : ignore images -noframes : generate no frames -stdout : use standard output -zoom <fp> : zoom the pdf document (default 1.5) -xml : output for XML post-processing -hidden : output hidden text -nomerge : do not merge paragraphs -enc <string> : output text encoding name -dev <string> : output device name for Ghostscript (png16m, jpeg etc) -fmt <string> : image file format for Splash output (png or jpg) -v : print copyright and version info -opw <string> : owner password (for encrypted files) -upw <string> : user password (for encrypted files) -nodrm : override document DRM settings -wbt <fp> : word break threshold (default 10 percent) crifan@crifan-Ubuntu:~/develop/pdf_to_html$ pdftohtml -nodrm /media/sf_win7_to_ubuntu/spec183r21.0.pdf hart183.htmlDocument has copy-protection bit set. Page-1 Page-2 Page-3 Page-4 Page-5 Page-6 Page-7 Page-8 Page-9 Page-10 Page-11 Page-12 Page-13 Page-14 Page-15 Page-16 Page-17 Page-18 Page-19 Page-20 Page-21 Page-22 Page-23 Page-24 Page-25 Page-26 Page-27 Page-28 Page-29 Page-30 Page-31 Page-32 Page-33 Page-34 Page-35 Page-36 Page-37 Page-38 Page-39 Page-40 link to page 41 Page-41 Page-42 Page-43 Page-44 Page-45 Page-46 Page-47 Page-48 Page-49 Page-50 Page-51 Page-52 Page-53 Page-54 Page-55 Page-56 Page-57 Page-58 Page-59 Page-60 Page-61 Page-62 Page-63 Page-64 Page-65 Page-66 Page-67 Page-68 Page-69 Page-70 Page-71 Page-72 Page-73 Page-74 Page-75 Page-76 Page-77 Page-78 Page-79 Page-80 Page-81 Page-82 Page-83 Page-84 Page-85 Page-86 Page-87 Page-88 Page-89 Page-90 Page-91 Page-92 Page-93 Page-94 Page-95 Page-96 Page-97 crifan@crifan-Ubuntu:~/develop/pdf_to_html$ ls hart183-1_1.png hart183-1_2.png hart183-2_1.png hart183.html hart183_ind.html hart183s.html crifan@crifan-Ubuntu:~/develop/pdf_to_html$ cp * /media/sf_win7_to_ubuntu/^C crifan@crifan-Ubuntu:~/develop/pdf_to_html$ mkdir /media/sf_win7_to_ubuntu/pdf_to_html crifan@crifan-Ubuntu:~/develop/pdf_to_html$ cp * /media/sf_win7_to_ubuntu/pdf_to_html/ crifan@crifan-Ubuntu:~/develop/pdf_to_html$
去看看效果：
结果很郁闷的是：
转换出来的html是丢失了表格：
2.虽然后续我是可以通过python脚本去正则匹配，将其另存为xml，但是还是不爽。
还是想要实现带表格的html才好：
得到了带表格数据的html，接下来，就是去写脚本去解析了。
不过，此处发现个问题：
查看html源码时：
竟然是这样的：
即：
第九页中的网页源代码，竟然没有包含对应的页面的真正的html代码。
后来经过一番研究，发现用IE打开时，查看到的源码：
是我们所希望的，真正的html代码：
【总结】
至此，才是真正的，可以通过pdftohtml，把不可拷贝的PDF文件，转换为所需要的HTML，并且是还保留原先表格的格式的。