什么是PDF转HTML？
PDF转HTML工具从PDF文件中提取文本、标题和基本结构，并将其转换为语义清晰的HTML代码。适用于将PDF内容发布到网页、进行编辑或实现全文搜索。
解析器使用 pdf.js 提取每一页的文本片段及其位置、字号和字重。标题识别会把字号比文档中位数显著大的行升级为 h1/h2/h3,正文转成 p 标签,段落分界来自垂直间距。你可以从六种转换模式里挑——干净语义化 HTML、纯段落、按页保真的 SVG,或者像素级定位的块。加密文档也照样能处理,需要时会弹出密码输入框。
使用方法
- 上传PDF文件——工具会逐页解析并提取带有位置信息的文本内容。
- 查看提取的HTML预览，并调整标题检测灵敏度等格式选项。
- 将HTML复制到剪贴板，或下载为.html文件。
何时使用
- 把产品规格书、手册、白皮书从 PDF 迁到文档站。
- 把打印用的表单或政策文件做成网页,让用户能搜索。
- 从论文里抠出正文,方便引用或加批注。
结果
一位开发者收到了一份12页的产品规格PDF文档。上传后即可获得带有规范标题和段落的整洁HTML，直接粘贴到项目Wiki供团队查阅。
常见问题
- PDF 里的图片、图表会一起转过来吗?
- 默认只提取文本，因此嵌入的图像、矢量图表和表单字段会被跳过。开启“嵌入页面图像”后，每一页都会渲染成图片并放入 HTML，图表、图形甚至扫描页都能保留下来。文件始终自包含，不会托管在别处。图像质量越高，图片越清晰，文件也越大。
- 为什么输出有时候句子中间会断行?
- 有些 PDF 是按行硬断,而不是按段落断。关掉「保留布局」开关,工具会根据垂直间距重新把行合成段落。双栏排版也要关掉这个选项才能正常合并。
- 标题识别每次都准吗?
- PDF 里如果是靠大字号或粗体表示标题(最常见的做法),识别就很准。如果靠颜色或位置区分而字号一样,工具就分不出来——把「标题识别」关掉,整篇就都变 p 标签,你再手工标注。
- 导出的 HTML 可以直接发布吗?
- 输出是纯语义 HTML,默认不带内联脚本、不引用外部 JS、不写内联样式。你可以直接粘到任何 CMS 或静态站生成器里,再套上自己的模板做排版即可。
- 带密码或加密的 PDF 能解吗?
- 加密 PDF 现在已经支持。如果文件需要密码,上传后会弹出输入框——填进去就能在本页面内完成解锁和转换。密码不会发送到任何服务器。