Skip to content
DemoFAQ

PDF 生成模板编辑器

开源可视化 PDF 生成引擎,支持自定义模板,并提供面向开发者的 API,灵活构建文档生成流程。

查看 GitHub

PDF 转 HTML ​

概述 ​

ComPDF Conversion SDK 提供 PDF 转 HTML 功能,可以将 PDF 文件转换为 HTML 文件,同时保持原始文档的布局和格式,允许用户在 Web 上浏览和查看文档。

转换选项 ​

该格式只使用 ConvertOptions 中的以下选项,其他选项不生效:

选项默认值含义
html_optionHtmlOption.SINGLE_PAGEHtmlOption.SINGLE_PAGE:一个 HTML 文件;HtmlOption.SINGLE_PAGE_WITH_BOOKMARK:一个 HTML 文件并带大纲导航;HtmlOption.MULTIPLE_PAGE:每页一个 HTML 文件;HtmlOption.MULTIPLE_PAGE_WITH_BOOKMARK:每页一个 HTML 文件,带大纲导航和上一页/下一页链接。只有 PDF 带大纲时才生成导航。
page_layout_modePageLayoutMode.FLOWPageLayoutMode.FLOW:流式 HTML;PageLayoutMode.BOX:绝对定位的块。
enable_ai_layoutTrue使用 AI 版面分析识别段落、表格、图片、页眉页脚和公式;关闭时使用基于规则的版面分析。许可证不含 AI 版面分析权限时不生效。
enable_ai_table_recognitionTrue使用表格模型识别表格结构;关闭时根据表格线重建表格结构。只对 AI 版面分析(enable_ai_layout 开启)找到的表格生效。
table_recognition_accuracyTableRecognitionAccuracy.BALANCED表格模型:TableRecognitionAccuracy.BALANCED 使用基础模型 documentai.model,TableRecognitionAccuracy.HIGH_ACCURACY 使用 table_legacy.model 模型包。只在使用内置表格模型进行 AI 表格识别时生效。未加载对应精度的模型时,转换仍然成功,表格改用基于规则的方式识别。
contain_imageTrue保留源文件中的图片和矢量图形(写入 HTML 文件旁的资源文件夹);关闭时不输出。
contain_page_background_imageTrue在 OCR 识别的页面上,把擦除识别文字后的整页图像作为页面大小的背景输出,而不是分别输出图片区域;AI 版面分析找到的页眉页脚不再单独输出。只在 enable_ocr 和 contain_image 都开启时生效。
contain_annotationTrue将注释的外观以图片输出。只对未经 OCR 识别的 PDF 页面生效。
enable_ocrFalse在 ocr_option 选定的页面上用 OCR 识别文字。许可证不含 OCR 权限时不生效。
ocr_optionOCROption.ALLOCR 处理的范围:OCROption.ALL 识别所有页面;OCROption.SCAN_PAGE 只识别图片(扫描)页面;OCROption.INVALID_CHARACTER 重新识别其他页面上无法读取的字符;OCROption.INVALID_CHARACTER_AND_SCAN_PAGE 两者都做。只在 enable_ocr 开启时生效。
languages[]OCR 识别语言;未指定语言时使用英文。只在 enable_ocr 开启时生效。
enable_document_orientation_classificationFalseOCR 前检测页面旋转方向并将页面图像转正。只在 enable_ocr 开启时生效。
enable_document_dewarpFalseOCR 前对弯曲、变形的页面照片做矫正展平。只在 enable_ocr 开启时生效。
formula_to_imageTrue将公式以图片输出;关闭时以可编辑文本输出。只对 AI 版面分析(enable_ai_layout 开启)找到的公式生效。
output_document_per_pageFalse每页单独进行一次 HTML 转换。
page_ranges空要转换的页码,如 "1-3,5,7-9";为空时转换所有页。多帧图片输入时用于选择帧。
enable_auto_page_sizeFalse仅图片输入:根据图片分辨率确定页面尺寸,并匹配到最接近的标准纸张;关闭时一个像素对应一个点(pt)。
custom_page_width / custom_page_height0仅图片输入:以点(pt,1 pt = 1/72 英寸)为单位指定页面宽和高,两者都须大于 0。优先于 enable_auto_page_size。

调用示例:

python
options = ConvertOptions()
options.html_option = HtmlOption.MULTIPLE_PAGE_WITH_BOOKMARK
options.page_layout_mode = PageLayoutMode.BOX
error = CPDFConversion.start_pdf_to_html("input.pdf", "password", "path/output.html", options)

注意事项 ​

在将 PDF 转换为 HTML 格式时,ComPDF Conversion SDK 提供以下四种选项来创建 HTML 文件:

选项描述
SINGLE_PAGE将整个 PDF 文件转换为一个单一的 HTML 文件,所有 PDF 页面按页码顺序连接,显示在同一个 HTML 页面上。
SINGLE_PAGE_WITH_BOOKMARK将 PDF 文件转换为一个单一的 HTML 文件,并在 HTML 页面的开头添加目录以供导航。仍然是将所有 PDF 页面按页码顺序连接,显示在同一个 HTML 页面上。
MULTIPLE_PAGE将 PDF 文件转换为多个 HTML 文件,每个 HTML 文件对应一个 PDF 页面,用户可以通过 HTML 页面的底部链接导航到下一个 HTML 文件。
MULTIPLE_PAGE_WITH_BOOKMARK将 PDF 文件转换为多个 HTML 文件,每个 HTML 文件对应一个 PDF 页面,用户可以通过 HTML 页面的底部链接导航到下一个 HTML 文件。所有 HTML 文件的链接会以目录形式呈现在一个 HTML 文件中以供导航。

示例 ​

以下是完整的示例代码,演示了如何将 PDF 文档转换为 HTML 文档。

python
input_file_path = "***"
password = "***"
output_file_name = "***"

html_options = ConvertOptions()
error = CPDFConversion.start_pdf_to_html(input_file_path, password, output_file_name, html_options)