API PDF в HTML (без WYSIWYG) - PullRequest
Новая
       118

API PDF в HTML (без WYSIWYG)

0 голосов
/ 21 сентября 2019

Я ищу способы конвертировать PDF документы в голый, не WYSIWYG HTML формат.Я рассмотрел некоторые решения для SO, такие как pdf2htmlEX и другие онлайн-конвертеры, но они слишком старые или что результаты HTML в основном ориентированы на WYSIWYG.Я ищу HTML, который сохраняет формат.

Например, если документ PDF содержит следующий абзац: enter image description here

Вывод HTML должен выглядеть примерно так:что: 

<p>The maximum travel distance for ...</p>
<ol style="list-style-type: lower-alpha;">
    <li>In the case of a floor ...</li>
    <li>In a large floor area without...</li>
</ol>

Использование pdf2htmlEX дает: 

<div class="t m0 x3 h6 yf ff3 fs0 fc4 sc0 ls0 ws0">The <span class="_ _4"> </span>maximum <span class="_ _b"> </span>travel <span class="_ _4"> </span>distance <span class="_ _b"> </span>for <span class="_ _4"> </span>the <span class="_ _b"> </span>respective <span class="_ _4"> </span>types <span class="_ _b"> </span>of <span class="_ _4"> </span>occupancies <span class="_ _b"> </span>shall <span class="_ _4"> </span>be <span class="_ _b"> </span>not </div>
<div class="t m0 x2 h6 y10 ff3 fs0 fc4 sc0 ls0 ws0">greater than as laid down in <span class="ff4 fc5">T<span class="_ _8"></span>able 2.2A<span class="ff3 fc4"> and read in conjunction with all of the following:</span></span></div> <div class="t m0 x3 h7 y11 ff3 fs0 fc4 sc0 ls0 ws0">a. <span class="_ _3"> </span><span class="ff5">In <span class="_ _4"> </span>the <span class="_ _4"> </span>case <span class="_ _b"> </span>of <span class="_ _4"> </span>a <span class="_ _4"> </span>oor <span class="_ _b"> </span>area <span class="_ _4"> </span>designed <span class="_ _4"> </span>with <span class="_ _b"> </span>minimum <span class="_ _4"></span>two <span class="_ _4"> </span>exits, <span class="_ _b"> </span>the <span class="_ _4"></span>maximum </span></div>
...
<div class="t m0 x4 h7 y14 ff5 fs0 fc4 sc0 ls0 ws0">nearest exit, shall not exceed the limits specied in <span class="ff4">T<span class="_ _8"></span>able 2.2A<span class="ff3">.</span></span></div>
<div class="t m0 x3 h7 y15 ff3 fs0 fc4 sc0 ls0 ws0">b. <span class="_ _a"> </span><span class="ff5">In <span class="_ _7"></span>a <span class="_ _7"></span>large <span class="_ _7"></span>oor <span class="_ _7"></span>area <span class="_ _d"></span>without <span class="_ _7"></span>sub-division <span class="_ _7"></span>of <span class="_ _d"></span>rooms, <span class="_ _7"></span>corridors <span class="_ _7"></span>and <span class="_ _d"></span>so <span class="_ _7"></span>forth, <span class="_ _7"></span>the </span></div>

Использование этого онлайн инструмента дает: 

<div style="position:absolute;left:125.28px;top:278.16px" class="cls_006"><span class="cls_006">The maximum travel distance for the respective types of occupancies shall be not</span></div>
<div style="position:absolute;left:85.68px;top:291.74px" class="cls_006"><span class="cls_006">greater than as laid down in </span><span class="cls_012">Table 2.2A</span><span class="cls_006"> and read in conjunction with all of the following:</span></div>
<div style="position:absolute;left:125.28px;top:314.75px" class="cls_006"><span class="cls_006">a.</span></div>
<div style="position:absolute;left:153.57px;top:314.75px" class="cls_006"><span class="cls_006">In the case of a floor area designed with minimum two exits, the maximum</span></div>
<div style="position:absolute;left:153.57px;top:328.33px" class="cls_006"><span class="cls_006">travel distance as given in </span><span class="cls_013">Table 2.2A</span><span class="cls_006"> shall be applicable.  The maximum</span></div>
<div style="position:absolute;left:153.57px;top:341.91px" class="cls_006"><span class="cls_006">travel distance starting from the most remote point in any occupied space to the</span></div>
<div style="position:absolute;left:153.57px;top:355.48px" class="cls_006"><span class="cls_006">nearest exit, shall not exceed the limits specified in </span><span class="cls_013">Table 2.2A</span><span class="cls_006">.</span></div>
<div style="position:absolute;left:125.28px;top:378.49px" class="cls_006"><span class="cls_006">b.</span></div>
<div style="position:absolute;left:153.57px;top:378.49px" class="cls_006"><span class="cls_006">In a large floor area without sub-division of rooms, corridors and so forth, the</span></div>

Как видите,каждая строка - это один тег div или span, который не сохраняет исходное форматирование, например соответствующие теги p или ol.Лучшим результатом оказывается конверсия с использованием Adobe Acrobat Pro DC, которая дала такой результат: 

<p style="padding-top: 6pt;padding-left: 28pt;text-indent: 39pt;line-height: 107%;text-align: left;">
    The maximum travel distance for the respective types ...</p>
<ol id="l5">
    <li style="padding-top: 9pt;padding-left: 96pt;text-indent: -28pt;line-height: 107%;text-align: justify;">
        <p style="display: inline;">In the case of a floor area ...</p>
    </li>
    <li style="padding-top: 9pt;padding-left: 96pt;text-indent: -28pt;line-height: 107%;text-align: justify;">
        <p style="display: inline;">In a large floor area without sub-division o...</p>
    </li>
</ol>

Есть ли API, который я могу использовать для достижения точно такого же результата, как у Adobe?Я искал на веб-сайте Adobe, и они не предлагают никаких API для выполнения такого преобразования.

...