Geuza PDF kuwa HTML
PDF kuwa HTML hugeuza PDF kwa pdftohtml ya Poppler na kuwasilisha ZIP yenye kurasa za HTML na picha zake. Ni utupaji wa mpangilio badala ya alama safi za wavuti, na haifanyi OCR.
Buruta faili hapa, au bofya uchague
Inakubali PDF · hadi 500.0 MB kwa kila faili · hadi faili 20 kwa mara moja
Unaweza pia kubandika faili kwa Ctrl/Cmd+V au kutoka kwenye menyu ya ubao wa kunakili.
PDF kuwa HTML huendesha Poppler `pdftohtml -c` na kufungasha chochote zana hiyo inachoandika kwenye folda ya pato kuwa ZIP. Upakuaji ni `{base}ToHtml.zip`, si faili moja ya `.html`. CSS tata ya kivinjari si lengo; hii ni utupaji wa HTML na picha wa Poppler.
Hakuna sehemu za fomu. Kila ukurasa hugeuzwa. Ikiwa `pdftohtml` haiandiki chochote, API hurudisha hitilafu ya ndani badala ya zip tupu.
Hii si OCR. Skani za picha tu huwa picha ndani ya kifurushi cha HTML, si maandishi yanayochaguliwa. Faili zilizolindwa kwa nenosiri hufunguliwa kwa ajili yako kwenye ukurasa huu ukishaingiza nenosiri; wapigaji wa API waendeshe Ondoa nenosiri kwanza.
Ikiwa unahitaji maneno tu, PDF kuwa RTF (maandishi) ni ndogo zaidi. Ikiwa unahitaji makala rafiki kwa CMS, PDF kuwa Markdown iko karibu zaidi.
Kilichomo ndani ya ZIP, kutoka uendeshaji wa Poppler `pdftohtml -c` kwenye PDF ya maandishi ya kurasa mbili: `in.html` ambayo ni frameset tu, faharasa `in_ind.html` yenye kiungo kimoja kwa kila ukurasa, faili moja ya HTML kwa kila ukurasa (`in-1.html`, `in-2.html`), na PNG moja ya mandharinyuma kwa kila ukurasa (`in001.png`, `in002.png`). Majina huanza kutoka jina la faili yako ya kupakia. Fungua faili iliyopewa jina la upakiaji wako kuona frameset yenye orodha ya kurasa upande wa kushoto, au fungua faili ya ukurasa mmoja moja kwa moja. Toleo jingine la Poppler linaweza kutaja au kupanga mambo kwa tofauti ndogo.
Kila faili ya ukurasa huweka kila mstari wa maandishi kwa kuratibu kamili, kama aya tofauti zenye thamani za `top` na `left` kwa pikseli, juu ya picha ya mandharinyuma ya ukurasa. Katika uendeshaji huo ukurasa wa pointi 612 kwa 792 ukawa kizuizi cha pikseli 918 kwa 1188, mara 1.5 ya ukubwa wa pointi, na maandishi yalibaki maandishi halisi ya HTML yanayochaguliwa badala ya picha. Kwa kuwa kila mstari umebandikwa kwenye nafasi ya pikseli, matokeo yanafanana na PDF lakini hayajipangi upya kwenye skrini nyembamba na ni vigumu kuyahariri.
Elewa hii kama nakala ya mpangilio usiobadilika, si makala safi ya wavuti. Vichwa, orodha na aya hazijengwi upya kama vipengele vya HTML vya kisemantiki. Ukitaka maudhui unayoweza kuyadondosha kwenye CMS, geuza kuwa Markdown badala yake. Ukitaka hati inayoharirika kwa watu, tumia PDF kuwa Word. Ukitaka maneno matupu tu, tumia PDF kuwa RTF (maandishi).
PDF zilizoskaniwa hazina safu ya maandishi ya kugeuza. Kila ukurasa ni picha, kwa hiyo kurasa za HTML hufunika picha hiyo na hakuna maneno ya kuchagua. Endesha OCR kwanza ukihitaji maneno, lakini zingatia kuwa OCR hurudisha Markdown, si PDF unayoweza kuilisha tena kwenye zana hii.
Mwelekeo wa kinyume ni HTML kuwa PDF, inayotengeneza PDF kutoka ukurasa wa HTML na haitengui ugeuzaji huu.
Sifa
- Poppler `pdftohtml -c` kuwa ZIP ya HTML na rasilimali
- Faili moja ya HTML kwa kila ukurasa pamoja na faharasa na ukurasa wa frameset
- Maandishi huwekwa kwa kuratibu kamili juu ya picha ya mandharinyuma ya kila ukurasa
- Hakuna chaguo za masafa ya kurasa wala mandhari
- Si OCR; skani hubaki picha kwenye kifurushi
- API isiyo na jina: /api/v1/convert/pdf/html
Lini utumie
- Kupata utupaji mbaya wa HTML wa PDF yenye safu ya maandishi
- Kuvuta picha za kurasa zilizopachikwa ambazo pdftohtml hutoa
- Kukagua jinsi Poppler inavyoiona faili kabla ya mnyororo maalum wa kazi
- Kusoma nakala ya mpangilio usiobadilika ya PDF kwenye kivinjari bila kitazamaji cha PDF
- Kukusanya nafasi za maandishi za kila ukurasa kama mwanzo wa hati yako ya kuvuna au kugeuza
Ninageuzaje PDF kuwa HTML?
- Pakia PDF ambayo kurasa zake zina maandishi yanayochaguliwa; skani itageuka kuwa picha tu. Hakuna chaguo za ugeuzaji kwenye ukurasa huu.
- Bofya Chakata na upakue `{name}ToHtml.zip`, kisha uifungue kwenye folda yake yenyewe ili faili za kurasa na picha zibaki pamoja.
- Fungua faili kuu ya HTML kwenye kivinjari kuona frameset, au fungua faili ya ukurasa mmoja kama ile ya `-1.html`.
- Linganisha ukurasa na PDF: hakikisha mistari iko mahali sahihi na kwamba picha ya mandharinyuma inapakia. Ikiwa ukurasa hauonyeshi picha, hakikisha faili za PNG ziko kando ya HTML.
- Ikiwa maandishi yanakosekana au mpangilio hautumiki, jaribu PDF kuwa RTF (maandishi) kwa maneno au PDF kuwa Markdown kwa muundo, au endesha OCR ikiwa faili ni skani.
Mipaka na hali maalum
- Pato ni ZIP, si faili moja ya HTML
- Si uchapishaji wa Chromium wala usafirishaji wa HTML wa PDF iliyotambulishwa
- Pato tupu la pdftohtml ni hitilafu, si 204
- Mpangilio usiobadilika: hakuna kujipanga upya, na hakuna vichwa wala orodha za kisemantiki
- Kila ukurasa hugeuzwa; hakuna masafa ya kurasa
- Skani hutoa picha tu
- Kikomo cha kupakia kwenye tovuti hii: MB 500 kwa kila faili, likitumwa kwa vipande zaidi ya takriban MB 95. Mwili wa ombi moja la moja la API una kikomo cha MB 100.
Mifano
- PDF ya maandishi ya kurasa mbili ilitoa `in.html` (frameset), `in_ind.html` (orodha ya kurasa), `in-1.html` na `in-2.html` (moja kwa kila ukurasa) na `in001.png` na `in002.png` (mandharinyuma) kwenye uendeshaji wa majaribio
- Katika uendeshaji huo faili ya ukurasa wa kwanza ilishikilia kila mstari wa maandishi kama aya iliyowekwa kwa kuratibu kamili, kwa mfano pikseli 119 kutoka juu na 108 kutoka kushoto, juu ya picha ya mandharinyuma ya pikseli 918 kwa 1188
- PDF ya skani tu hutoa HTML ambayo kwa kiasi kikubwa hufunika picha hizo za kurasa
Faragha ya zana hii
Faili hupakiwa kupitia HTTPS, zinachakatwa kwenye kumbukumbu au folda ya muda mfupi kwenye seva zetu, na kufutwa matokeo yakiwa tayari. Hatuhifadhi nakala kwa kuvinjari baadaye, mafunzo, au wasifu wa matangazo. Tazama Sera ya Faragha kwa maelezo ya uhifadhi na ufichuzi wa vidakuzi vya AdSense.
Maswali ya kawaida
- Kwa nini matokeo ni ZIP?
- pdftohtml huandika HTML pamoja na picha zilizotolewa kwenye folda. Seva hufunga folda hiyo kuwa zip.
- Je, HTML italingana na mpangilio wa PDF yangu?
- Ni kadiri tu hali ya -c ya Poppler inavyoweza. Majarida ya safu wima nyingi na vekta nzito mara nyingi huonekana vibaya.
- Naweza kugeuza skani kuwa maandishi ya HTML?
- Hapana. Njia hii haifanyi OCR. Tumia OCR kuwa Markdown ukihitaji maneno.
- Je, inaendeshwa kwenye kivinjari?
- Hapana. Seva huita pdftohtml.
- Ni faili ipi ya kufungua kwanza baada ya kufungua zip?
- Fungua faili ya HTML inayobeba jina la upakiaji wako ili kupata frameset yenye orodha ya kurasa upande wa kushoto. Au fungua faili ya ukurasa moja kwa moja, iliyopewa jina la upakiaji pamoja na nambari ya ukurasa. Weka kila kitu kwenye folda moja ili picha za mandharinyuma zipakie.
- Kwa nini ukurasa unaonekana kama PDF lakini maandishi hayajipangi upya?
- Kila mstari wa maandishi huwekwa kwa kuratibu kamili za pikseli juu ya picha ya mandharinyuma ya ukurasa, kwa hiyo mpangilio hautabadilika. Hiyo ndiyo inayoufanya uwe karibu na PDF na pia ndiyo sababu haujirekebishi kwenye skrini ndogo.
- Je, maandishi kwenye HTML ni maandishi halisi au picha?
- Kwa PDF yenye safu ya maandishi, ni maandishi halisi katika vipengele vya aya, kwa hiyo unaweza kuyachagua, kuyanakili na kuyatafuta kwenye kivinjari. PDF iliyoskaniwa haina safu ya maandishi, kwa hiyo kurasa hutoka kama picha tu.
- Naweza kupata faili moja ya HTML yenye kila kitu?
- Hapana. Pato daima ni ZIP ya faili kadhaa. Ukihitaji faili moja ya maandishi, tumia PDF kuwa RTF (maandishi) au PDF kuwa Markdown.
- Nitumie hii au PDF kuwa Word?
- Tumia PDF kuwa HTML unapotaka kitu ambacho kivinjari kinaweza kufungua na kinachofanana na PDF. Tumia PDF kuwa Word wakati mtu anapaswa kuhariri maudhui, kwa kuwa zana hiyo hujenga upya aya kwa kihariri badala ya kubandika mistari kwenye kuratibu.
Ilisasishwa mwisho:
Tumia kutoka msimbo
Kila zana hapa ni REST. Matumizi bila kujisajili hayahitaji akaunti wala ufunguo wa API. Inafaa kivinjari, watengenezaji, na mawakala wa AI.
curl -X POST "https://pdf123.xyz/api/v1/convert/pdf/html" \
-F "[email protected]" \
-o output.pdfPia inapatikana kama zana ya MCP kwa programu zinazotumia Model Context Protocol (JSON-RPC 2.0, POST /mcp). Maelezo kamili ya API
Itumie kupitia wakala wa AI
SkillUkiwa na skill hii, Claude Code, Codex, Cursor na mawakala wengine wa AI wanaweza kukuendeshea "PDF kuwa HTML": /skills/pdf123-pdf-to-html.md
Faili inatumika kazi hii tu, kisha inafutwa yenyewe.