跳到主要内容
PPDF123

把 PDF 转成 HTML

PDF 转 HTML 用 Poppler 的 pdftohtml 转换 PDF,交付一个含 HTML 页面及其图片的 ZIP。它是版面导出,而不是整洁的网页标记,也不做 OCR。

把文件拖到这里,或点击选择

支持 PDF · 单个文件不超过 500.0 MB · 一次最多 20 个文件

也可以按 Ctrl/Cmd+V 或从剪贴板菜单粘贴文件。

PDF 转 HTML 运行 Poppler 的 `pdftohtml -c`,并把该工具写到输出目录里的所有东西打成 ZIP。下载文件是 `{base}ToHtml.zip`,不是单个 `.html` 文件。目标不是浏览器那样复杂的 CSS;这是 Poppler 的 HTML 与图片导出。

没有表单字段。每一页都会被转换。如果 `pdftohtml` 什么都没写出,API 返回内部错误,而不是空 ZIP。

这不是 OCR。纯图像的扫描件会变成 HTML 包里的图片,而不是可选取的文字。有密码保护的文件,在你输入密码后会在本页为你解锁;API 调用方需先运行移除密码。

如果你只需要文字,PDF 转文本更小。如果你需要对 CMS 友好的文章,PDF 转 Markdown 更接近。

ZIP 里有什么,来自对一份两页文字 PDF 运行 Poppler `pdftohtml -c` 的结果:一个只有框架集的 `in.html`,一个每页一个链接的索引 `in_ind.html`,每页一个 HTML 文件(`in-1.html`、`in-2.html`),以及每页一张背景 PNG(`in001.png`、`in002.png`)。名称以你上传的文件名开头。打开以你上传文件命名的那个文件,可以看到左边带页面列表的框架集,也可以直接打开某一页的文件。别的 Poppler 版本,命名或排布可能略有不同。

每个页面文件都用绝对坐标定位每一行文字,以带有像素 `top` 和 `left` 值的独立段落形式,叠在该页的背景图之上。在那次运行中,612 乘 792 点的页面变成了 918 乘 1188 像素的块,是点尺寸的 1.5 倍,而文字仍是真正可选取的 HTML 文字,不是图片。因为每一行都钉在一个像素位置上,结果看起来像 PDF,但在窄屏上不会重排,也不便于编辑。

请把它理解为固定版式的副本,而不是整洁的网页文章。标题、列表和段落不会被重建为语义化的 HTML 元素。如果你想要可以放进 CMS 的内容,请改转 Markdown。如果你想要供人编辑的文档,用 PDF 转 Word。如果你只要纯文字,用 PDF 转文本。

扫描的 PDF 没有可转换的文字层。每一页都是一张图片,所以 HTML 页面包着那张图片,没有可选取的文字。需要文字就先跑 OCR,但注意 OCR 返回的是 Markdown,不是可以再喂回本工具的 PDF。

反方向是 HTML 转 PDF,它从 HTML 页面生成 PDF,并不能撤销这次转换。

功能

  • Poppler `pdftohtml -c`,产出 HTML 与资源的 ZIP
  • 每页一个 HTML 文件,外加一个索引页和一个框架集页
  • 文字以绝对定位叠在每页的背景图上
  • 没有页范围或主题选项
  • 不是 OCR;扫描件在包里仍是图
  • 匿名 API:/api/v1/convert/pdf/html

适用场景

  • 得到有文字层的 PDF 的粗略 HTML 导出
  • 取出 pdftohtml 提取的内嵌页面图片
  • 在搭建自定义流水线之前,看看 Poppler 怎么看这个文件
  • 不用 PDF 阅读器,在浏览器里读固定版式的 PDF 副本
  • 收集每页的文字位置,作为你自己的抓取或转换脚本的起点

如何把 PDF 转成 HTML?

  1. 上传页面含可选取文字的 PDF;扫描件只会转成图片。本页没有转换选项。
  2. 点击处理,下载 `{name}ToHtml.zip`,然后把它解压到单独的文件夹里,让页面文件和图片放在一起。
  3. 在浏览器里打开主 HTML 文件查看框架集,或直接打开某一页的文件,例如带 `-1.html` 的那个。
  4. 把一页与 PDF 对比:检查各行是否在正确的位置,背景图是否加载。如果页面没有显示图片,请确认 PNG 文件和 HTML 放在一起。
  5. 如果文字缺失或版式无法使用,试试用 PDF 转文本取文字、用 PDF 转 Markdown 取结构,或者文件是扫描件的话就运行 OCR。

限制与边界

  • 输出是 ZIP,不是单个 HTML 文件
  • 不是 Chromium 打印,也不是带标记的 PDF 的 HTML 导出
  • pdftohtml 输出为空时是错误,不是 204
  • 固定版式:不重排,也没有语义化的标题或列表
  • 每一页都会转换;没有页范围
  • 扫描件只得到图片
  • 本网站的上传上限:每个文件 500 MB,超过约 95 MB 时分块上传。直接调用 API 时,单个请求体上限为 100 MB。

示例

  • 在一次测试运行中,两页的文字 PDF 生成了 `in.html`(框架集)、`in_ind.html`(页面列表)、`in-1.html` 和 `in-2.html`(每页一个),以及 `in001.png` 和 `in002.png`(背景)
  • 在那次运行中,第一页的文件把每一行文字存成绝对定位的段落,例如距顶部 119 像素、距左侧 108 像素,叠在 918 乘 1188 像素的背景图上
  • 纯扫描的 PDF 得到的 HTML,主要是包着那些页面图片

本工具的隐私说明

文件经 HTTPS 上传,在服务器内存或短期临时目录中处理,结果就绪后即删除。我们不会为日后浏览、训练或广告画像保留副本。留存期限与 AdSense Cookie 说明见隐私政策。

常见问题

为什么结果是 ZIP?
pdftohtml 把 HTML 加提取出的图片写进一个文件夹。服务器把该文件夹打成 ZIP。
HTML 会和我的 PDF 版式一致吗?
只能做到 Poppler 的 -c 模式能做到的程度。多栏杂志和大量矢量图的页面常常看起来不对。
能把扫描件转成 HTML 文字吗?
不能。这条路径不做 OCR。需要文字请用 OCR 转 Markdown。
它在浏览器里运行吗?
不是。服务器调用 pdftohtml。
解压后先打开哪个文件?
打开带有你上传文件名的那个 HTML 文件,得到左侧带页面列表的框架集。也可以直接打开某一页的文件,它以上传文件名加页码命名。请把所有东西放在同一个文件夹里,背景图才能加载。
为什么页面看起来像 PDF,但文字不会重排?
每一行文字都以绝对像素坐标放在页面的背景图之上,所以版式是固定的。这让它接近 PDF,也是它不能适应小屏幕的原因。
HTML 里的文字是真正的文字还是图片?
对有文字层的 PDF,是段落元素里的真正文字,所以你能在浏览器里选取、复制和搜索。扫描的 PDF 没有文字层,所以页面只会变成图片。
能得到一个包含全部内容的 HTML 文件吗?
不能。输出始终是含多个文件的 ZIP。如果你需要一个文字文件,用 PDF 转文本或 PDF 转 Markdown。
该用这个还是 PDF 转 Word?
想要浏览器能打开、而且看起来像 PDF 的东西,用 PDF 转 HTML。需要有人编辑内容时用 PDF 转 Word,因为那个工具为编辑器重建段落,而不是把行钉在坐标上。

最后更新:

用代码调用

本站每个工具都是普通 REST 接口。匿名使用不需要账号或 API Key,给浏览器、开发者和智能体同样可用。

curl -X POST "https://pdf123.xyz/api/v1/convert/pdf/html" \
  -F "[email protected]" \
  -o output.pdf

也提供 MCP 工具,供说 Model Context Protocol 的客户端调用(JSON-RPC 2.0,POST /mcp)。 完整 API 文档

在 AI 代理中使用

Skill

装上这个 Skill,Claude Code、Codex、Cursor 等 AI 代理就能替你完成「PDF 转 HTML」: /skills/pdf123-pdf-to-html.md

全部 Agent Skill

文件只用于本次处理,完成后自动删除。