Convertir PDF a HTML
PDF a HTML convierte un PDF con pdftohtml de Poppler y entrega un ZIP con las páginas HTML y sus imágenes. Es un volcado de maquetación y no marcado web limpio, y no hace OCR.
Arrastra archivos aquí, o haz clic para elegir
Admite PDF · hasta 500.0 MB por archivo · hasta 20 archivos a la vez
También puedes pegar un archivo con Ctrl/Cmd+V o desde el menú del portapapeles.
PDF a HTML ejecuta Poppler `pdftohtml -c` y empaqueta en un ZIP todo lo que esa herramienta escribe en el directorio de salida. La descarga es `{base}ToHtml.zip`, no un único archivo `.html`. El objetivo no es un CSS de navegador complejo; es el volcado de HTML e imágenes de Poppler.
No hay campos de formulario. Se convierte cada página. Si `pdftohtml` no escribe nada, la API devuelve un error interno en lugar de un ZIP vacío.
Esto no es OCR. Los escaneos solo imagen acaban como imágenes dentro del paquete HTML, no como texto seleccionable. Los archivos protegidos con contraseña se descifran por ti en esta página cuando introduces la contraseña; quien use la API debe pasar antes por Quitar contraseña.
Si solo necesitas las palabras, PDF a RTF (texto) es más ligero. Si necesitas un artículo apto para un CMS, PDF a Markdown se acerca más.
Qué hay dentro del ZIP, según una ejecución de `pdftohtml -c` de Poppler sobre un PDF de texto de dos páginas: un `in.html` que es solo un frameset, un índice `in_ind.html` con un enlace por página, un archivo HTML por página (`in-1.html`, `in-2.html`) y un PNG de fondo por página (`in001.png`, `in002.png`). Los nombres parten del nombre de tu archivo subido. Abre el archivo con el nombre de tu subida para ver el frameset con la lista de páginas a la izquierda, o abre directamente un archivo de página. Otra versión de Poppler puede nombrar u organizar las cosas de forma ligeramente distinta.
Cada archivo de página coloca cada línea de texto con coordenadas absolutas, como párrafos separados con valores `top` y `left` en píxeles, sobre la imagen de fondo de la página. En esa ejecución, una página de 612 por 792 puntos pasó a ser un bloque de 918 por 1188 píxeles, 1,5 veces el tamaño en puntos, y el texto siguió siendo texto HTML real y seleccionable, no una imagen. Como cada línea está fijada a una posición en píxeles, el resultado se parece al PDF pero no se reajusta en una pantalla estrecha y es incómodo de editar.
Entiéndelo como una copia de maquetación fija, no como un artículo web limpio. Los títulos, listas y párrafos no se reconstruyen como elementos HTML semánticos. Si quieres contenido que puedas pasar a un CMS, convierte mejor a Markdown. Si quieres un documento editable para personas, usa PDF a Word. Si solo quieres las palabras, usa PDF a RTF (texto).
Los PDF escaneados no tienen capa de texto que convertir. Cada página es una imagen, así que las páginas HTML envuelven esa imagen y no hay palabras que seleccionar. Ejecuta antes OCR si necesitas las palabras, pero ten en cuenta que OCR devuelve Markdown, no un PDF que puedas volver a pasar por esta herramienta.
La dirección inversa es HTML a PDF, que crea un PDF a partir de una página HTML y no deshace esta conversión.
Funciones
- Poppler `pdftohtml -c` a un ZIP de HTML y recursos
- Un archivo HTML por página, más un índice y una página de frameset
- El texto se coloca de forma absoluta sobre una imagen de fondo de cada página
- Sin opciones de intervalo de páginas ni de tema
- No es OCR; los escaneos siguen siendo imágenes en el paquete
- API anónima: /api/v1/convert/pdf/html
Cuándo usarla
- Sacar un volcado HTML tosco de un PDF con capa de texto
- Llevarte las imágenes de página que extrae pdftohtml
- Ver cómo entiende Poppler el archivo antes de montar tu propio flujo
- Leer en un navegador una copia de maquetación fija de un PDF sin un visor de PDF
- Reunir las posiciones del texto por página como punto de partida para tu propio script de extracción o conversión
¿Cómo convierto un PDF a HTML?
- Sube un PDF cuyas páginas contengan texto seleccionable; un escaneo se convertirá solo en imágenes. Esta página no tiene opciones de conversión.
- Pulsa Procesar y descarga `{name}ToHtml.zip`, luego descomprímelo en su propia carpeta para que los archivos de página y las imágenes se queden juntos.
- Abre el archivo HTML principal en un navegador para ver el frameset, o abre un único archivo de página como el `-1.html`.
- Compara una página con el PDF: comprueba que las líneas están en su sitio y que la imagen de fondo se carga. Si la página no muestra imagen, asegúrate de que los archivos PNG están junto al HTML.
- Si falta el texto o la maquetación es inutilizable, prueba PDF a RTF (texto) para las palabras o PDF a Markdown para la estructura, o ejecuta OCR si el archivo es un escaneo.
Límites y casos límite
- El resultado es un ZIP, no un único archivo HTML
- No es impresión de Chromium ni exportación HTML de PDF etiquetado
- Una salida vacía de pdftohtml es un error, no un 204
- Maquetación fija: sin reajuste y sin títulos ni listas semánticos
- Se convierte cada página; no hay intervalo de páginas
- Los escaneos dan solo imágenes
- Límite de subida en este sitio web: 500 MB por archivo, enviado por partes a partir de unos 95 MB. El cuerpo de una sola petición directa a la API está limitado a 100 MB.
Ejemplos
- Un PDF de texto de dos páginas produjo en una ejecución de prueba `in.html` (un frameset), `in_ind.html` (una lista de páginas), `in-1.html` e `in-2.html` (uno por página) e `in001.png` e `in002.png` (fondos)
- En esa ejecución, el primer archivo de página contenía cada línea de texto como un párrafo posicionado de forma absoluta, por ejemplo a 119 píxeles de la parte superior y 108 de la izquierda, sobre una imagen de fondo de 918 por 1188 píxeles
- Un PDF solo escaneo da HTML que sobre todo envuelve esas imágenes de página
Privacidad de esta herramienta
Los archivos se suben por HTTPS, se procesan en memoria o en un directorio temporal de corta duración en nuestros servidores, y se eliminan cuando el resultado está listo. No conservamos copias para consultarlas después, entrenar modelos ni crear perfiles publicitarios. Consulte la Política de privacidad para los plazos de retención y las cookies de AdSense.
Preguntas frecuentes
- ¿Por qué el resultado es un ZIP?
- pdftohtml escribe HTML más las imágenes extraídas en una carpeta. El servidor empaqueta esa carpeta.
- ¿El HTML coincidirá con la maquetación de mi PDF?
- Solo hasta donde llega el modo -c de Poppler. Las revistas a varias columnas y los gráficos vectoriales abundantes suelen salir mal.
- ¿Puedo convertir un escaneo en texto HTML?
- No. Esta ruta no hace OCR. Si necesitas las palabras, usa OCR a Markdown.
- ¿Se ejecuta en el navegador?
- No. El servidor llama a pdftohtml.
- ¿Qué archivo abro primero tras descomprimir?
- Abre el archivo HTML que lleva el nombre de tu subida para obtener un frameset con una lista de páginas a la izquierda. O abre directamente un archivo de página, que lleva el nombre de la subida más el número de página. Mantén todo en una misma carpeta para que se carguen las imágenes de fondo.
- ¿Por qué la página se parece al PDF pero el texto no se reajusta?
- Cada línea de texto se coloca con coordenadas absolutas en píxeles sobre una imagen de fondo de la página, así que la maquetación es fija. Eso es lo que la mantiene cerca del PDF y también por lo que no se adapta a una pantalla pequeña.
- ¿El texto del HTML es texto real o una imagen?
- Para un PDF con capa de texto, es texto real en elementos de párrafo, así que puedes seleccionarlo, copiarlo y buscarlo en un navegador. Un PDF escaneado no tiene capa de texto, así que las páginas salen solo como imágenes.
- ¿Puedo obtener un único archivo HTML con todo dentro?
- No. La salida es siempre un ZIP con varios archivos. Si necesitas un único archivo de texto, usa PDF a RTF (texto) o PDF a Markdown.
- ¿Uso esto o PDF a Word?
- Usa PDF a HTML cuando quieras algo que un navegador pueda abrir y que se parezca al PDF. Usa PDF a Word cuando una persona tenga que editar el contenido, ya que esa herramienta reconstruye párrafos para un editor en lugar de fijar líneas a coordenadas.
Última actualización:
Llámalo desde el código
Cada herramienta del sitio es un endpoint REST. Para uso anónimo no hace falta cuenta ni clave de API. Sirve igual para el navegador, para desarrolladores y para agentes de IA.
curl -X POST "https://pdf123.xyz/api/v1/convert/pdf/html" \
-F "[email protected]" \
-o output.pdfTambién está disponible como herramienta MCP para clientes de agentes que hablan Model Context Protocol (JSON-RPC 2.0 por POST /mcp). Referencia completa de la API
Úsalo desde un agente de IA
SkillCon esta skill, Claude Code, Codex, Cursor y otros agentes de IA pueden usar «PDF a HTML» por ti: /skills/pdf123-pdf-to-html.md
Los archivos se usan solo para este trabajo y se borran automáticamente después.