PDF转成html和 text 的工具汇总

系统配置

• Macos M1 pro

PDF 转 HTML

• 首先给出的是不需要写任何代码就能成的

pdf2htmlEX

• 要将 PDF 文件转换为 HTML 文件，可以使用 pdf2htmlEX 工具。请注意，pdf2htmlEX 是一个可执行程序。首先，需要在计算机上安装 pdf2htmlEX。您可以访问以下链接获取安装说明：

https://github.com/pdf2htmlEX/pdf2htmlEX

• 这个我没弄成功，作者也说了在 macos 上这个 build 存在问题，大家可以避坑
• 原因是：build 的时候出现以下错误，详细说就是这个库底层其实依赖的事 poppler 的一个头文件，但是 make 的时候找不到这个文件，解决办法不详
  

pdf2html

• 它是 Poppler 库的一部分
  首先，请确保您已经安装了 Poppler。如果您还没有安装，请按照以下步骤操作：

• 使用 Homebrew 安装 Poppler：

brew install poppler

• 成功后使用：

pdftohtml input.pdf output.html

• 如果报错：

zsh: command not found: pdf2html

• 就说明你的 poppler 没加到环境变量，通俗说就是你不能再电脑的任何一个位置随便调用这个功能，那么有两种方法：
  • 加环境变量（我没弄）
  • 使用完整的路径：
    • 先找到这个 pdf2html 的确切位置：

    find /opt/homebrew/ -name pdftohtml

    • 然后使用完整位置重复上面的操作：

    /opt/homebrew/bin/pdftohtml input.pdf output.html

PDFBox

• 使用基于 java 的 pdfbox 需要先安装 Java（如果尚未安装）。然后，按照以下步骤操作：
  • a. 下载 PDFBox 应用程序，我能够使用的是 2.0.27 版本，建议也下这个版本：https://pdfbox.apache.org/download.cgi#pdfboxapp
  • b. 将下载的 JAR 文件（例如 pdfbox-app-2.0.27.jar）移到适当的文件夹。
  • c. 运行以下命令将 PDF 文件转换为 HTML 文件：

  java -jar pdfbox-app-2.0.27.jar ExtractText -html input.pdf output.html

aspose-words

• 这个有网页版的或者调用 api 都行

• 我用的是 python 调用它的 api

• macos 不行，我用的 windows 电脑弄得

• 安装：

  pip install aspose-words
  

  然后根据我给的网页上的两行代码可以直接转

PDF 转 TXT

aspose-words

• 同样的操作，aspose 同样可以转成 txt

pypdf2

• https://www.askpython.com/python/examples/convert-pdf-to-txt

import PyPDF2
 
#create file object variable
#opening method will be rb
pdffileobj=open('1.pdf','rb')
 
#create reader variable that will read the pdffileobj
pdfreader=PyPDF2.PdfFileReader(pdffileobj)
 
#This will store the number of pages of this pdf file
x=pdfreader.numPages
 
#create a variable that will select the selected number of pages
pageobj=pdfreader.getPage(x+1)
 
#(x+1) because python indentation starts with 0.
#create text variable which will store all text datafrom pdf file
text=pageobj.extractText()
 
#save the extracted data from pdf to a txt file
#we will use file handling here
#dont forget to put r before you put the file path
#go to the file location copy the path by right clicking on the file
#click properties and copy the location path and paste it here.
#put "\\your_txtfilename"
file1=open(r"C:\Users\SIDDHI\AppData\Local\Programs\Python\Python38\\1.txt","a")
file1.writelines(text)

PDF 转 docx

pdf2docx

• 非常好用的工具：pdf2docx

其他

• 三大神器助力Python提取pdf文档信息