Как конвертировать pdf в HTML средствами python?

Question

[Safronov_Alexei]

Привет Хабр!

Возможно вопрос и глупый, но обыскал весь интернет и не нашел годную либу для конвертированию!
Кто может помочь?

Answer 1

[Viktor T2]

https://github.com/coolwanglu/pdf2htmlEX
результат получается прям скажем странный

Comments

[Safronov_Alexei]

Спасибо!
пользовался, выходит хорошо. Но эта либа под шиндовс если я не ошибаюсь

[Viktor T2]

Safronov_Alexei, о, это я не вкурсе, просто сам когдато искал
и вроде даже запускал. Linux

[Safronov_Alexei]

Viktor T2, хм, надо будет попробовать. Спасибо!

[Viktor T2]

Запустил, работает. С консоли.

[Safronov_Alexei]

Viktor T2, понял, спасибо :)

Answer 2

[Алексей Черемисин]

И так, скажут прямо. Конвертировать pdf в html не получится ни на каком языке программирования! Максимум, что можно извлечь из pdf , это текст, который будет лишен какой бы то ни было разметки. Ибо сам формат pdf создан для препринта и в нем отсутствует информация о заголовках, параграфах, стилях. Более того, в pdf есть текст и атрибуты, где и как этот текст разместить, и больше ничего для текста.

Comments

[Safronov_Alexei]

А не подскажешь, каким образом можно выделить нужную информацию из pdfa и вывести только ее?
Потому, что извлекая ее в текст данные прыгают со строки на строку

[Adamos]

Safronov_Alexei, нужная информация в PDF хранится в виде:
задать цвет 100% черный
выбрать шрифт Pragmatica 12pt высотой 10pt шириной
перейти по координатам 100 500
вывести строку "Хрен тебе, а не преобразование"
перейти по координатам 100 600
вывести строку "PDF-файла в сколько-нибудь"
задать цвет 0% голубой 100% малиновый 100% желтый 0% черный
выбрать шрифт PragmaticaBold 12pt высотой 10pt шириной
перейти по координатам 100 700
вывести строку "осмысленный"
задать цвет 100% черный
задать шрифт Pragmatica 12pt высотой 10pt шириной
перейти по координатам 300 700
вывести строку "HTML-код"
Это всего одно предложение с одним словом, выделенным полужирным красным, разбитое в абзац на три строки.

[Алексей Черемисин]

Safronov_Alexei, ну вам уже ответили выше - формат создан для печати! Никак! Там координаты, текст и что каким цветом и шрифтом печатать! В результате даже два последовательных абзаца на одной странице могут идти в обратном порядке!
И кстати, так в свое время делали защиту от копирования, переставляя последовательность кусков текста. Ввделяешь, копируешь, получаешь кашу!

[Adamos]

Safronov_Alexei, поскольку вы решили, что нашли ответ, уточню: есть много программ, которые выдают PDF. Сам по себе формат позволяет создать хаос, как уже сказал Алексей. Но, конечно, какой-нибудь офисный пакет никакого особенного хаоса не создает - гонит текст подряд, и этот текст можно вычленить и даже определить размер шрифта, цвет и прочее.
Однако стоит понимать, что решение заведомо ущербно и у вас нет никакой гарантии, что следующий PDF (особенно если в нем окажутся таблицы и графики) не превратится на выходе в тыкву. Используя эту библиотеку и полагаясь на ее работу, вы сами закладываете в программу слабое звено, исправить которое никак не сможете.

[Safronov_Alexei]

Алексей Черемисин, Ну вообще, получается вытащить информацию. По средствам конвертации пдфа в более удобные форматы, где можно брать информацию удобнее!

[Алексей Черемисин]

Safronov_Alexei, Еще раз. PDF в большинстве случаев не получается конвертировать в другие форматы! Это даже не формат как таковой, а подмножество и расширение языка программирования PostScript, созданный для печати.
Что можно вытащить из PDF:
- можно вытащить текст, если он не задан через циклы и инcтрукции PS
- можно вытащить растровую графику, опять же, если она не формируется программно.
- можно полностью интерпретировать PDF и отрендерить страничное представление, полностью, или части листа
- можно вытащить метаданные
- можно вытащить используемые и внедренные фонты
Все!
И если PDF сформирован чем-то наподобие itext, как в моих программах, то разобрать эту кашу достаточно трудно даже мне самому....
Все, что делают "преобразователи", они могут вытянуть текст и графику, в большинстве случаев этого достаточно для поиска в каком нибудь эластике.

Но как альтернативы pdf пока лучше всех для печати. (Ну есть еще PostScript, но он имеет очень много вариантов...)

Answer 3

[LouisPython]

Здравствуй, это не то что тебе нужно?

Ссылка: *тык*

Comments

[Алексей Черемисин]

Автору похоже в обратную сторону нужно.

[Safronov_Alexei]

Да, мне нужно наоборот.
Но спасибо :)