最新消息：20210816 当前crifan.com域名已被污染，为防止失联，请关注（页面右下角的）公众号
    你的位置：在路上 > 工作和技术 > 【记录】尝试使用pdftohtml将不可拷贝的PDF文件转换为HTML并保留表格的格式

    【记录】尝试使用pdftohtml将不可拷贝的PDF文件转换为HTML并保留表格的格式

    工作和技术 crifan 4664浏览 0评论

    【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：

    in ubuntu use pdftohtml to converting pdf file

    log如下：

    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    87
    88
    89
    90
    91
    92
    93
    94
    95
    96
    97
    98
    99
    100
    101
    102
    103
    104
    105
    106
    107
    108
    109
    110
    111
    112
    113
    114
    115
    116
    117
    118
    119
    120
    121
    122
    123
    124
    125
    126
    127
    128
    129
    130
    131
    132
    133
    134
    135
    136
    137
    138
    139
    140
    141
    142
    143
    144
    145
    146
    147
    148
    149
    150
    151
    152
    153
    154
    155
    156
    157
    158
    159
    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：

    converted html no table

    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：

    【已解决】pdftohtml生成的html中丢失了表格信息

    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：

    firefox view html page 9 source

    竟然是这样的：

    but source not contain page 9 real html

    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：

    use ie to view source of html page 9

    是我们所希望的，真正的html代码：

    ie9 can see real page 9 html code

    【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。

    转载请注明：在路上 » 【记录】尝试使用pdftohtml将不可拷贝的PDF文件转换为HTML并保留表格的格式

    Post Views: 1,241

    与本文相关的文章

    发表我的评论
    取消评论

    表情

    Hi，您需要填写昵称和邮箱！

    • 昵称 (必填)
    • 邮箱 (必填)
    • 网址
    80 queries in 0.345 seconds, using 22.15MB memory