Sådan bruger du det
- Vælg, eller træk og slip en PDF-fil.
- Vælg Afsnit og overskrifter eller Placeret layout.
- Vælg Konverter til HTML, og vent til alle sider er læst.
- Tjek forhåndsvisningen, og kopier derefter koden eller download .html-filen.
Sådan fungerer det
Værktøjet læser tekstlaget på hver side med pdf.js: hvert tekststykke med dets position og skriftstørrelse. I tilstanden Afsnit og overskrifter sættes tekststykker på samme grundlinje sammen til linjer, og linjer grupperes i afsnit ud fra deres lodrette afstand og indrykning. Linjer med tydeligt større skrift end brødteksten bliver til overskrifter (h1–h3), linjer, der starter med en punktmarkør eller et tal som 1., bliver til listeelementer, og ord, der er delt med bindestreg ved et linjeskift, sættes sammen, når næste linje starter med et lille bogstav. En HTML-kommentar markerer, hvor hver side begynder.
I tilstanden Placeret layout bliver hvert tekststykke til et span, der placeres på dets koordinater i en boks på sidens størrelse med en generisk serif-, sans-serif- eller monospace-skrifttype. Det ligner PDF'en, men egner sig ikke til redigering.
Kun tekst konverteres. Billeder, tegninger, tabelkanter, farver, skrifttyper, fed og kursiv samt links overføres ikke; tabeller kommer ud som tekstlinjer. Sider med flere kolonner læses i den rækkefølge, teksten er gemt i, hvilket som regel, men ikke altid, er læserækkefølgen. Scannede PDF'er har intet tekstlag og skal først behandles med OCR. Al tekst bliver HTML-escaped.
Eksempler
At lægge en brochure online
En tosiders produktbrochure bliver til h2-overskrifter, afsnit og punktlister, som kan indsættes i et CMS og tilpasser sig mobilskærme.
Tjek tekstlaget
Placeret layout viser præcis, hvor hvert tekststykke i en formular sidder på siden, hvilket er nyttigt til fejlfinding i PDF-generering.
Ofte stillede spørgsmål
Bliver billeder og tabeller konverteret?
Nej. Kun tekstlaget læses. Billeder og grafik springes over, og tabelceller kommer ud som tekstlinjer, fordi en PDF ikke gemmer oplysninger om, hvilken tekst der hører til hvilken celle.
Hvorfor bliver en overskrift registreret som et afsnit (eller omvendt)?
Overskrifter genkendes kun ved at være større end den mest almindelige tekststørrelse. Fed tekst i normal størrelse forbliver et afsnit, og stor dekorativ tekst kan blive til en overskrift.
Hvorfor er rækkefølgen af afsnit forkert?
Værktøjet følger den rækkefølge, teksten er gemt i i PDF'en. Nogle programmer gemmer kolonner, sidebjælker eller billedtekster i en anden rækkefølge, end de vises.
Min PDF giver ingen tekst. Hvad kan jeg gøre?
Det er sandsynligvis et scannet dokument. Genkend først teksten med OCR, for eksempel med Image to Text (OCR) på sidebilleder.
Privatliv
PDF'en læses i din browser med pdf.js. Filen og HTML-koden uploades ikke, gemmes ikke og indgår ikke i analyser; der tælles kun en anonym hændelse om, at værktøjet blev brugt.