Převod souboru PDF do HTML

Webový server, content-management system nebo browserová aplikace může vyžadovat upravitelný a prohledávatelný HTML namísto pevného PDF. Převod extrahuje text, obrázky a rozvržení PDF do webových souborů, ale složité dokumenty obvykle před publikováním vyžadují ruční opravy.

Co je formát PDF

PDF neboli Portable Document Format zachovává vzhled stránek dokumentu napříč operačními systémy a tiskárnami tím, že ukládá text, fonty, vektorovou grafiku, rastrové obrázky a instrukce pro umístění. Adobe Acrobat, Microsoft Word, LibreOffice, skenery, software pro DTP, reportingové systémy a webové prohlížeče vytvářejí nebo zobrazují soubory PDF. Tento formát se běžně používá pro faktury, příručky, formuláře, smlouvy, akademické práce, brožury a vládní dokumenty.

PDF může obsahovat vybratelný text, vložené fonty, obrázky, anotace, záložky, formulářová pole, multimédia a šifrování. Naskenované PDF obsahuje obrázky stránek namísto znakových dat; před převodem, který má vytvořit použitelný HTML text, vyžaduje optical character recognition (OCR).

Co je formát HTML

HTML neboli HyperText Markup Language představuje webový obsah pomocí elementů pro nadpisy, odstavce, seznamy, odkazy, tabulky, obrázky a formuláře. Prohlížeče vykreslují HTML přímo, zatímco webové servery, content-management systems, čtečky obrazovky, vyhledávače a editory kódu jej mohou zpracovávat a upravovat. HTML dokument může pro prezentaci používat CSS a odkazovat na samostatné soubory obrázků, stylesheetů a skriptů.

Na rozdíl od pevného stránkového modelu PDF se HTML může přizpůsobovat obrazovkám telefonů, tabletů a stolních počítačů. Sémantické nadpisy, odkazy, seznamy a orientační body mohou zlepšit navigaci, přístupnost a indexování, pokud je převedený markup správně opraven a strukturován.

Převod pomocí Poppler's pdftohtml

Poppler's pdftohtml je bezplatná lokální možnost pro textová PDF v systémech Linux, macOS a Windows. Nainstalujte balíček nástrojů Poppler pomocí package manageru operačního systému nebo důvěryhodné sestavy pro Windows a poté otevřete terminál ve složce s PDF.

1. Spusťte pdftohtml -s -noframes -c input.pdf output.html. Nahraďte input.pdf názvem zdrojového souboru.
2. Otevřete output.html v prohlížeči a zkontrolujte pořadí čtení, nadpisy, tabulky, odkazy, obrázky a zalomení stránek.
3. Ponechte vygenerované soubory obrázků a stylesheetů vedle souboru HTML, pokud neaktualizujete jejich relativní cesty.
4. Upravte markup tak, aby byly obnoveny úrovně nadpisů, odstraněno nepotřebné absolutní umístění, přidán popisný text alt a opakující se prvky stránek nahrazeny pomocí CSS.

Volba -s vyžaduje jeden HTML dokument, -noframes zabrání použití framesetu a -c aktivuje výstup pro složité rozvržení. U naskenovaného zdroje nejprve vytvořte prohledávatelnou kopii pomocí ocrmypdf input.pdf searchable.pdf a poté spusťte pdftohtml na souboru searchable.pdf. Přesnost OCR závisí na rozlišení skenu, jazyce, typu písma a kvalitě stránky.

Převod pomocí Adobe Acrobat Pro

1. Otevřete PDF v aplikaci Acrobat Pro.
2. Vyberte File → Export To → HTML Web Page, pokud je tento export v nainstalované verzi Acrobat k dispozici.
3. Uložte vygenerované HTML a související assets do složky.
4. Otevřete výsledek v prohlížeči a před publikováním markup upravte a ověřte.

Export z aplikace Acrobat je praktický pro běžné dokumenty, ale vizuálně uspořádané PDF se může převést na HTML obsahující absolutní pozice, pevné velikosti nebo fragmentovaný text namísto čisté sémantické struktury.

Použití online converteru

CloudConvert a Zamzar nabízejí převod PDF do HTML v prohlížeči. Nahrajte PDF, jako výstup vyberte HTML, spusťte převod a stáhněte HTML společně s případnými vygenerovanými obrázky, stylesheety nebo archivem. Před nahráním smluv, osobních záznamů, přihlašovacích údajů nebo důvěrných firemních souborů si ověřte zásady poskytovatele týkající se uchovávání a mazání dat; lokální nástroje ponechávají zdroj ve vašem vlastním systému.

Omezení kvality a kompatibility

PDF primárně zaznamenává vzhled, nikoli sémantiku dokumentu. Vizuální nadpis může být obyčejný umístěný text, více sloupců textu se může zobrazit v nesprávném pořadí čtení a tabulka se může převést na samostatné fragmenty nebo absolutně umístěné elementy. Nepřesně se mohou převést také fonty, ligatury, poznámky pod čarou, průhlednost, vrstvená grafika, anotace, formulářová pole, záhlaví a zápatí.

U responzivního webu považujte převod za extrakci, nikoli za hotovou stránku. Nastavte kódování UTF-8, opravte strukturu dokumentu, používejte sémantické elementy jako <main> a <nav>, optimalizujte extrahované obrázky, ověřte HTML, otestujte navigaci pomocí klávesnice a strukturu pro čtečky obrazovky a zkontrolujte úzké šířky viewportu. Pokud je k dispozici původní zdroj ve Wordu, InDesignu, LibreOffice nebo publikačním systému, export tohoto strukturovaného zdroje přímo do HTML obvykle poskytne lepší výsledky než převod PDF.