Python实现将PDF转换为HTML的常用方式详解

pip install Spire.PDF

from spire.pdf.common import *
from spire.pdf import *

def ConvertPDFToHTML():
    """将 PDF 文档转换为 HTML 文件"""
    inputFile = "/项目进度.pdf"
    outputFile = "ToHTML.html"
    
    # 加载 PDF 文档
    doc = PdfDocument()
    doc.LoadFromFile(inputFile)
    
    # 保存为 HTML 格式
    doc.SaveToFile(outputFile, FileFormat.HTML)
    doc.Close()
    
    print(f"HTML 文件已保存至: {outputFile}")

if __name__ == "__main__":
    ConvertPDFToHTML()

from spire.pdf.common import *
from spire.pdf import *

def ConvertPDFToHTMLWithPages():
    """将 PDF 转换为 HTML，并按页面分割输出"""
    inputFile = "/示范文本.pdf"
    outputFile = "SplitByPages.html"
    
    # 加载 PDF 文档
    doc = PdfDocument()
    doc.LoadFromFile(inputFile)
    
    # 设置转换选项
    # 参数说明：
    # 第一个参数：是否使用 CSS 定位（False 表示使用绝对定位）
    # 第二个参数：是否将图片嵌入 HTML（True 表示嵌入为 Base64）
    # 第三个参数：图片质量（1 表示最高质量）
    doc.ConvertOptions.SetPdfToHtmlOptions(False, True, 1)
    
    # 转换为 HTML 文件
    doc.SaveToFile(outputFile, FileFormat.HTML)
    doc.Close()
    
    print(f"带嵌入图片的 HTML 文件已保存至: {outputFile}")

if __name__ == "__main__":
    ConvertPDFToHTMLWithPages()

from spire.pdf.common import *
from spire.pdf import *

def ConvertPDFToHTMLStream():
    """将 PDF 转换为 HTML 并输出到流"""
    inputFile = "./Demos/Data/Sample.pdf"
    outputFile = "HTMLStream_Output.html"
    
    # 加载 PDF 文档
    doc = PdfDocument()
    doc.LoadFromFile(inputFile)
    
    # 创建文件流
    fileStream = Stream(outputFile)
    
    # 将 HTML 内容保存到流
    doc.SaveToStream(fileStream, FileFormat.HTML)
    
    # 关闭流
    fileStream.Close()
    doc.Close()
    
    print(f"HTML 流输出已保存至: {outputFile}")

if __name__ == "__main__":
    ConvertPDFToHTMLStream()

from spire.pdf.common import *
from spire.pdf import *
import os
import io

class PDFToHTMLConverter:
    """PDF 转 HTML 转换器"""
    
    def __init__(self):
        """初始化"""
        pass
    
    def convert_to_html(self, input_file, output_file, 
                       embed_images=True, image_quality=80,
                       use_css_layout=False):
        """将 PDF 转换为单个 HTML 文件"""
        if not os.path.exists(input_file):
            print(f"文件不存在: {input_file}")
            return False
        
        try:
            doc = PdfDocument()
            doc.LoadFromFile(input_file)
            
            # 设置转换选项
            doc.ConvertOptions.SetPdfToHtmlOptions(
                use_css_layout,   # 是否使用 CSS 布局
                embed_images,     # 是否嵌入图片
                image_quality     # 图片质量
            )
            
            # 转换为 HTML
            doc.SaveToFile(output_file, FileFormat.HTML)
            doc.Close()
            
            print(f"✓ 转换成功: {os.path.basename(input_file)} -> {os.path.basename(output_file)}")
            return True
            
        except Exception as e:
            print(f"✗ 转换失败: {os.path.basename(input_file)} - {str(e)}")
            return False
    
    def convert_to_html_with_assets(self, input_file, output_folder):
        """将 PDF 转换为 HTML 及资源文件夹（图片分离）"""
        if not os.path.exists(input_file):
            print(f"文件不存在: {input_file}")
            return False
        
        try:
            # 创建输出文件夹
            if not os.path.exists(output_folder):
                os.makedirs(output_folder)
            
            doc = PdfDocument()
            doc.LoadFromFile(input_file)
            
            # 设置不嵌入图片，图片将保存到单独文件夹
            doc.ConvertOptions.SetPdfToHtmlOptions(False, False, 80)
            
            # 生成 HTML 文件名
            base_name = os.path.splitext(os.path.basename(input_file))[0]
            html_file = os.path.join(output_folder, f"{base_name}.html")
            
            doc.SaveToFile(html_file, FileFormat.HTML)
            doc.Close()
            
            print(f"✓ 转换成功: {os.path.basename(input_file)} -> {html_file}")
            print(f"  图片资源保存在: {output_folder}")
            return True
            
        except Exception as e:
            print(f"✗ 转换失败: {os.path.basename(input_file)} - {str(e)}")
            return False
    
    def convert_to_memory_stream(self, input_file, embed_images=True,
                                image_quality=80, use_css_layout=False):
        """将 PDF 转换为 HTML 并返回内存流"""
        if not os.path.exists(input_file):
            print(f"文件不存在: {input_file}")
            return None
        
        try:
            doc = PdfDocument()
            doc.LoadFromFile(input_file)
            
            # 设置转换选项
            doc.ConvertOptions.SetPdfToHtmlOptions(
                use_css_layout,
                embed_images,
                image_quality
            )
            
            # 创建内存流
            memory_stream = io.BytesIO()
            stream = Stream(memory_stream)
            
            # 保存到流
            doc.SaveToStream(stream, FileFormat.HTML)
            doc.Close()
            
            # 获取 HTML 内容
            html_content = memory_stream.getvalue()
            memory_stream.close()
            
            print(f"✓ 转换成功: {os.path.basename(input_file)} -> 内存流")
            return html_content
            
        except Exception as e:
            print(f"✗ 转换失败: {os.path.basename(input_file)} - {str(e)}")
            return None
    
    def batch_convert_folder(self, input_folder, output_folder,
                            embed_images=True, image_quality=80):
        """批量转换文件夹中的所有 PDF 文件"""
        if not os.path.exists(input_folder):
            print(f"输入文件夹不存在: {input_folder}")
            return
        
        # 创建输出文件夹
        if not os.path.exists(output_folder):
            os.makedirs(output_folder)
        
        # 查找所有 PDF 文件
        pdf_files = [f for f in os.listdir(input_folder) 
                    if f.lower().endswith('.pdf')]
        
        if not pdf_files:
            print(f"在 {input_folder} 中未找到 PDF 文件")
            return
        
        print(f"找到 {len(pdf_files)} 个 PDF 文件，开始转换为 HTML...")
        
        success_count = 0
        fail_count = 0
        
        for pdf_file in pdf_files:
            input_path = os.path.join(input_folder, pdf_file)
            base_name = os.path.splitext(pdf_file)[0]
            output_path = os.path.join(output_folder, f"{base_name}.html")
            
            if self.convert_to_html(
                input_path, 
                output_path,
                embed_images=embed_images,
                image_quality=image_quality
            ):
                success_count += 1
            else:
                fail_count += 1
        
        print(f"\n转换完成!")
        print(f"成功: {success_count} 个文件")
        print(f"失败: {fail_count} 个文件")
        print(f"输出目录: {output_folder}")
    
    def get_html_content_stats(self, html_content):
        """获取 HTML 内容的统计信息"""
        if html_content is None:
            return None
        
        stats = {
            'size_bytes': len(html_content.encode('utf-8')),
            'size_kb': len(html_content.encode('utf-8')) / 1024,
            'has_images': '<img' in html_content.lower(),
            'has_tables': '<table' in html_content.lower(),
            'has_links': '<a ' in html_content.lower() or '<a href=' in html_content.lower(),
        }
        
        return stats

def main():
    converter = PDFToHTMLConverter()
    
    # 示例 1: 基本转换（图片嵌入）
    converter.convert_to_html(
        "./Documents/Report.pdf",
        "./Output/Report.html",
        embed_images=True,
        image_quality=90
    )
    
    # 示例 2: 转换并分离图片资源
    converter.convert_to_html_with_assets(
        "./Documents/Presentation.pdf",
        "./Output/Presentation_HTML"
    )
    
    # 示例 3: 转换为内存流并进行进一步处理
    html_content = converter.convert_to_memory_stream(
        "./Documents/Brief.pdf",
        embed_images=True
    )
    if html_content:
        # 可以在此处对 HTML 内容进行修改或分析
        stats = converter.get_html_content_stats(html_content)
        print(f"HTML 统计信息: {stats}")
    
    # 示例 4: 批量转换
    converter.batch_convert_folder(
        "./Documents/PDFs",
        "./Output/HTMLs",
        embed_images=True,
        image_quality=85
    )

if __name__ == "__main__":
    main()

def BuildOnlineDocumentViewer():
    """构建在线文档查看器"""
    converter = PDFToHTMLConverter()
    
    # 将用户上传的 PDF 转换为 HTML
    html_content = converter.convert_to_memory_stream(
        "./Uploads/UserDocument.pdf",
        embed_images=True,
        image_quality=75  # 适当降低质量以加快加载速度
    )
    
    if html_content:
        # 将 HTML 内容存储到数据库或缓存
        # save_to_database(document_id, html_content)
        print("文档已转换为 HTML，可以在线查看")

def ArchiveDocumentsAsHTML():
    """将文档归档为 HTML 格式"""
    converter = PDFToHTMLConverter()
    
    # 批量转换并保留原始布局
    converter.batch_convert_folder(
        "./Archive/Legal_Documents",
        "./Archive/HTML_Version",
        embed_images=True,
        image_quality=95  # 高质量归档
    )

def IntegrateWithCMS():
    """与内容管理系统集成"""
    converter = PDFToHTMLConverter()
    
    # 转换 PDF 为 HTML
    html_content = converter.convert_to_memory_stream(
        "./Content/Article.pdf",
        embed_images=False  # 图片由 CMS 管理
    )
    
    if html_content:
        # 提取 HTML 内容并发布到 CMS
        # publish_to_cms(title, html_content)
        print("文章内容已准备好发布")