Μετατροπή PDF σε HTML
Το PDF σε HTML μετατρέπει ένα PDF με το pdftohtml του Poppler και παραδίδει ZIP με τις σελίδες HTML και τις εικόνες τους. Είναι εξαγωγή διάταξης και όχι καθαρός κώδικας web, και δεν κάνει OCR.
Σύρετε και αφήστε αρχεία εδώ ή κάντε κλικ για επιλογή
Δέχεται PDF · έως 500.0 MB ανά αρχείο · έως 20 αρχεία τη φορά
Μπορείτε επίσης να επικολλήσετε ένα αρχείο με Ctrl/Cmd+V ή από το μενού του προχείρου.
Το PDF σε HTML τρέχει το Poppler `pdftohtml -c` και συσκευάζει σε ZIP ό,τι γράφει το εργαλείο στον κατάλογο εξόδου. Η λήψη είναι `{base}ToHtml.zip`, όχι ένα μεμονωμένο αρχείο `.html`. Στόχος δεν είναι σύνθετο CSS τύπου προγράμματος περιήγησης· είναι η εξαγωγή HTML και εικόνων του Poppler.
Δεν υπάρχουν πεδία φόρμας. Μετατρέπεται κάθε σελίδα. Αν το `pdftohtml` δεν γράψει τίποτα, το API επιστρέφει εσωτερικό σφάλμα αντί για κενό ZIP.
Δεν είναι OCR. Οι σαρώσεις που είναι μόνο εικόνες γίνονται εικόνες μέσα στο πακέτο HTML, όχι επιλέξιμο κείμενο. Τα αρχεία με κωδικό ξεκλειδώνονται για εσάς σε αυτή τη σελίδα μόλις εισαγάγετε τον κωδικό· οι χρήστες API εκτελούν πρώτα «Αφαίρεση κωδικού».
Αν χρειάζεστε μόνο τις λέξεις, το PDF σε RTF (κείμενο) είναι μικρότερο. Αν χρειάζεστε άρθρο φιλικό προς CMS, το PDF σε Markdown είναι πιο κοντινό.
Τι περιέχει το ZIP, από εκτέλεση του `pdftohtml -c` του Poppler σε PDF κειμένου δύο σελίδων: ένα `in.html` που είναι μόνο frameset, ένα ευρετήριο `in_ind.html` με έναν σύνδεσμο ανά σελίδα, ένα αρχείο HTML ανά σελίδα (`in-1.html`, `in-2.html`) και ένα PNG φόντου ανά σελίδα (`in001.png`, `in002.png`). Τα ονόματα ξεκινούν από το όνομα του αρχείου που ανεβάσατε. Ανοίξτε το αρχείο που φέρει το όνομα του ανεβάσματός σας για να δείτε το frameset με τη λίστα σελίδων στα αριστερά, ή ανοίξτε απευθείας ένα αρχείο σελίδας. Μια άλλη έκδοση του Poppler μπορεί να ονομάζει ή να οργανώνει τα πράγματα ελαφρώς διαφορετικά.
Κάθε αρχείο σελίδας τοποθετεί κάθε γραμμή κειμένου με απόλυτες συντεταγμένες, ως ξεχωριστές παραγράφους με τιμές `top` και `left` σε pixel, πάνω από την εικόνα φόντου της σελίδας. Σε εκείνη την εκτέλεση, μια σελίδα 612 επί 792 σημείων έγινε μπλοκ 918 επί 1188 pixel, 1,5 φορά το μέγεθος σε σημεία, και το κείμενο έμεινε πραγματικό, επιλέξιμο κείμενο HTML και όχι εικόνα. Επειδή κάθε γραμμή καρφώνεται σε θέση pixel, το αποτέλεσμα μοιάζει με το PDF αλλά δεν αναδιατάσσεται σε στενή οθόνη και είναι άβολο στην επεξεργασία.
Κατανοήστε το ως αντίγραφο σταθερής διάταξης, όχι ως καθαρό άρθρο ιστού. Οι επικεφαλίδες, οι λίστες και οι παράγραφοι δεν ξαναχτίζονται ως σημασιολογικά στοιχεία HTML. Αν θέλετε περιεχόμενο που μπορείτε να ρίξετε σε CMS, μετατρέψτε αντί γι' αυτό σε Markdown. Αν θέλετε επεξεργάσιμο έγγραφο για ανθρώπους, χρησιμοποιήστε το PDF σε Word. Αν θέλετε μόνο τις απλές λέξεις, χρησιμοποιήστε το PDF σε RTF (κείμενο).
Τα σαρωμένα PDF δεν έχουν επίπεδο κειμένου προς μετατροπή. Κάθε σελίδα είναι εικόνα, οπότε οι σελίδες HTML τυλίγουν αυτή την εικόνα και δεν υπάρχουν λέξεις προς επιλογή. Εκτελέστε πρώτα OCR αν χρειάζεστε τις λέξεις, αλλά σημειώστε ότι το OCR επιστρέφει Markdown και όχι PDF που θα μπορούσατε να δώσετε ξανά σε αυτό το εργαλείο.
Η αντίστροφη κατεύθυνση είναι το HTML σε PDF, που φτιάχνει PDF από μια σελίδα HTML και δεν αναιρεί αυτή τη μετατροπή.
Λειτουργίες
- Poppler `pdftohtml -c` σε ZIP με HTML και πόρους
- Ένα αρχείο HTML ανά σελίδα συν ένα ευρετήριο και μια σελίδα frameset
- Το κείμενο τοποθετείται με απόλυτες συντεταγμένες πάνω από εικόνα φόντου κάθε σελίδας
- Χωρίς εύρος σελίδων ή επιλογές θέματος
- Όχι OCR· οι σαρώσεις μένουν εικόνες στο πακέτο
- Ανώνυμο API στο /api/v1/convert/pdf/html
Πότε το χρησιμοποιείτε
- Λήψη χονδροειδούς HTML από PDF με επίπεδο κειμένου
- Εξαγωγή ενσωματωμένων εικόνων σελίδας που εξάγει το pdftohtml
- Έλεγχος του πώς βλέπει το Poppler το αρχείο πριν από μια προσαρμοσμένη ροή
- Ανάγνωση αντιγράφου σταθερής διάταξης ενός PDF σε πρόγραμμα περιήγησης χωρίς προβολέα PDF
- Συλλογή των θέσεων κειμένου ανά σελίδα ως αφετηρία για το δικό σας script εξαγωγής ή μετατροπής
Πώς μετατρέπω ένα PDF σε HTML;
- Ανεβάστε ένα PDF του οποίου οι σελίδες περιέχουν επιλέξιμο κείμενο· μια σάρωση θα μετατραπεί μόνο σε εικόνες. Δεν υπάρχουν επιλογές μετατροπής σε αυτή τη σελίδα.
- Πατήστε «Εκτέλεση» και κατεβάστε το `{name}ToHtml.zip`, και μετά αποσυμπιέστε το σε δικό του φάκελο ώστε τα αρχεία σελίδων και οι εικόνες να μένουν μαζί.
- Ανοίξτε το κύριο αρχείο HTML σε πρόγραμμα περιήγησης για να δείτε το frameset, ή ανοίξτε ένα μεμονωμένο αρχείο σελίδας όπως το `-1.html`.
- Συγκρίνετε μια σελίδα με το PDF: ελέγξτε ότι οι γραμμές είναι στη σωστή θέση και ότι φορτώνεται η εικόνα φόντου. Αν η σελίδα δεν δείχνει εικόνα, βεβαιωθείτε ότι τα αρχεία PNG βρίσκονται δίπλα στο HTML.
- Αν το κείμενο λείπει ή η διάταξη είναι άχρηστη, δοκιμάστε το PDF σε RTF (κείμενο) για τις λέξεις ή το PDF σε Markdown για δομή, ή εκτελέστε OCR αν το αρχείο είναι σάρωση.
Όρια και ειδικές περιπτώσεις
- Η έξοδος είναι ZIP, όχι ένα αρχείο HTML
- Όχι εκτύπωση Chromium ούτε εξαγωγή HTML από tagged PDF
- Κενή έξοδος pdftohtml είναι σφάλμα, όχι 204
- Σταθερή διάταξη: χωρίς αναδιάταξη και χωρίς σημασιολογικές επικεφαλίδες ή λίστες
- Μετατρέπεται κάθε σελίδα· δεν υπάρχει εύρος σελίδων
- Οι σαρώσεις δίνουν μόνο εικόνες
- Όριο ανεβάσματος σε αυτόν τον ιστότοπο: 500 MB ανά αρχείο, με αποστολή σε τμήματα πάνω από περίπου 95 MB. Το σώμα ενός μεμονωμένου άμεσου αιτήματος API περιορίζεται στα 100 MB.
Παραδείγματα
- Ένα PDF κειμένου δύο σελίδων παρήγαγε σε δοκιμαστική εκτέλεση το `in.html` (frameset), το `in_ind.html` (λίστα σελίδων), τα `in-1.html` και `in-2.html` (ένα ανά σελίδα) και τα `in001.png` και `in002.png` (φόντα)
- Σε εκείνη την εκτέλεση, το αρχείο της πρώτης σελίδας είχε κάθε γραμμή κειμένου ως παράγραφο με απόλυτη θέση, για παράδειγμα 119 pixel από πάνω και 108 από αριστερά, πάνω από εικόνα φόντου 918 επί 1188 pixel
- Ένα PDF μόνο με σάρωση δίνει HTML που κυρίως τυλίγει αυτές τις εικόνες σελίδων
Απόρρητο για αυτό το εργαλείο
Τα αρχεία ανεβαίνουν μέσω HTTPS, επεξεργάζονται στη μνήμη ή σε βραχύβιο προσωρινό κατάλογο στους διακομιστές μας και διαγράφονται όταν το αποτέλεσμα είναι έτοιμο. Δεν κρατάμε αντίγραφα για μετέπειτα περιήγηση, εκπαίδευση μοντέλων ή διαφημιστικά προφίλ. Οι λεπτομέρειες διατήρησης και οι γνωστοποιήσεις για cookie του AdSense βρίσκονται στην Πολιτική απορρήτου.
Συχνές ερωτήσεις
- Γιατί το αποτέλεσμα είναι ZIP;
- Το pdftohtml γράφει HTML μαζί με εξαγόμενες εικόνες σε έναν φάκελο. Ο διακομιστής συσκευάζει αυτόν τον φάκελο σε ZIP.
- Θα ταιριάζει το HTML με τη διάταξη του PDF μου;
- Μόνο όσο καλά το κάνει η λειτουργία -c του Poppler. Τα πολυστήλα περιοδικά και τα βαριά διανύσματα συχνά φαίνονται λάθος.
- Μπορώ να μετατρέψω μια σάρωση σε κείμενο HTML;
- Όχι. Αυτή η διαδρομή δεν κάνει OCR. Χρησιμοποιήστε το OCR σε Markdown αν χρειάζεστε τις λέξεις.
- Τρέχει στο πρόγραμμα περιήγησης;
- Όχι. Ο διακομιστής καλεί το pdftohtml.
- Ποιο αρχείο ανοίγω πρώτο μετά την αποσυμπίεση;
- Ανοίξτε το αρχείο HTML που φέρει το όνομα του ανεβάσματός σας για να πάρετε frameset με λίστα σελίδων στα αριστερά. Ή ανοίξτε απευθείας ένα αρχείο σελίδας, που ονομάζεται από το ανέβασμα με τον αριθμό σελίδας. Κρατήστε τα πάντα σε έναν φάκελο ώστε να φορτώνουν οι εικόνες φόντου.
- Γιατί η σελίδα μοιάζει με το PDF αλλά το κείμενο δεν αναδιατάσσεται;
- Κάθε γραμμή κειμένου τοποθετείται με απόλυτες συντεταγμένες pixel πάνω από εικόνα φόντου της σελίδας, οπότε η διάταξη είναι σταθερή. Αυτό την κρατά κοντά στο PDF και γι' αυτό δεν προσαρμόζεται σε μικρή οθόνη.
- Το κείμενο στο HTML είναι πραγματικό κείμενο ή εικόνα;
- Για ένα PDF με επίπεδο κειμένου, είναι πραγματικό κείμενο σε στοιχεία παραγράφου, οπότε μπορείτε να το επιλέξετε, να το αντιγράψετε και να το αναζητήσετε σε πρόγραμμα περιήγησης. Ένα σαρωμένο PDF δεν έχει επίπεδο κειμένου, οπότε οι σελίδες βγαίνουν μόνο ως εικόνες.
- Μπορώ να πάρω ένα αρχείο HTML με όλα μέσα;
- Όχι. Η έξοδος είναι πάντα ZIP με πολλά αρχεία. Αν χρειάζεστε ένα μόνο αρχείο κειμένου, χρησιμοποιήστε το PDF σε RTF (κείμενο) ή το PDF σε Markdown.
- Να χρησιμοποιήσω αυτό ή το PDF σε Word;
- Χρησιμοποιήστε το PDF σε HTML όταν θέλετε κάτι που ανοίγει σε πρόγραμμα περιήγησης και μοιάζει με το PDF. Χρησιμοποιήστε το PDF σε Word όταν ένας άνθρωπος πρέπει να επεξεργαστεί το περιεχόμενο, αφού εκείνο το εργαλείο ξαναχτίζει παραγράφους για έναν επεξεργαστή αντί να καρφώνει γραμμές σε συντεταγμένες.
Τελευταία ενημέρωση:
Κλήση από κώδικα
Κάθε εργαλείο στον ιστότοπο είναι ένα απλό REST API. Για ανώνυμη χρήση δεν χρειάζεται λογαριασμός ούτε κλειδί API. Ίδιο για πρόγραμμα περιήγησης, προγραμματιστές και πράκτορες AI.
curl -X POST "https://pdf123.xyz/api/v1/convert/pdf/html" \
-F "[email protected]" \
-o output.pdfΔιατίθεται και ως εργαλείο MCP, για πελάτες που μιλούν Model Context Protocol (JSON-RPC 2.0 μέσω POST /mcp). Πλήρης αναφορά API
Χρήση από πράκτορα AI
SkillΜε αυτό το skill, τα Claude Code, Codex, Cursor και άλλοι πράκτορες AI μπορούν να εκτελέσουν το «PDF σε HTML» για εσάς: /skills/pdf123-pdf-to-html.md
Τα αρχεία χρησιμοποιούνται μόνο για αυτή την εργασία και διαγράφονται αυτόματα μετά.