tigtools

PDF-ből HTML

Válasszon ki egy PDF-et, hogy a szövegét HTML-ként építse újra, amelyet beilleszthet egy weboldalba vagy szerkeszthet. A fájlt a pdf.js olvassa be az Ön eszközén.

Böngészőben fut Regisztráció nélkül

vagy húzza ide. A fájl az eszközén marad.

Használata

  1. Válasszon ki vagy húzzon ide egy PDF-fájlt.
  2. Válassza a Bekezdések és címsorok vagy a Pozicionált elrendezés lehetőséget.
  3. Válassza a Konvertálás HTML-be lehetőséget, és várja meg, amíg az összes oldal beolvasásra kerül.
  4. Ellenőrizze az előnézetet, majd másolja ki a kódot vagy töltse le a .html fájlt.

Hogyan működik

Az eszköz a pdf.js segítségével beolvassa az egyes oldalak szövegrétegét: minden szövegrészt annak pozíciójával és betűméretével együtt. A Bekezdések és címsorok módban az azonos alapvonalon lévő részek sorokká egyesülnek, a sorokat pedig függőleges térközük és behúzásuk alapján bekezdésekbe csoportosítja. A törzsszövegnél egyértelműen nagyobb betűméretű sorok címsorokká válnak (h1–h3), a felsorolásjellel vagy számmal (pl. 1.) kezdődő sorok listaelemekké, a sor végén elválasztott szavak pedig egyesülnek, ha a következő sor kisbetűvel kezdődik. Egy HTML megjegyzés jelzi, hol kezdődik az egyes oldalak.

A Pozicionált elrendezés módban minden szövegrész egy span elemmé válik, amely az oldal méretű dobozon a koordinátáin helyezkedik el, általános serif, sans-serif vagy monospace betűtípust használva. Hasonlít a PDF-re, de szerkesztésre nem alkalmas.

Csak a szöveg kerül konvertálásra. A képek, rajzok, táblázatkeretek, színek, betűtípusok, félkövér és dőlt formázás, valamint a hivatkozások nem kerülnek át; a táblázatok szövegsorokként jelennek meg. A többoszlopos oldalak a szöveg tárolási sorrendjében kerülnek beolvasásra, ami általában, de nem mindig egyezik az olvasási sorrenddel. A szkennelt PDF-eknek nincs szövegrétegük, ezért előbb OCR-re van szükség. Minden szöveg HTML-escape-elt.

Példák

Brossúra online közzététele

Egy kétoldalas termékbrossúra h2 címsorokká, bekezdésekké és felsorolásokká alakul, amelyeket beilleszthet egy CMS-be, és amelyek alkalmazkodnak a telefon képernyőjéhez.

A szövegréteg ellenőrzése

A pozicionált elrendezés pontosan megmutatja, hogy egy űrlap egyes szövegrészei hol helyezkednek el az oldalon, ami hasznos a PDF-generálás hibakereséséhez.

Gyakori kérdések

Konvertálódnak a képek és a táblázatok?

Nem. Csak a szövegréteg kerül beolvasásra. A képek és grafikák kimaradnak, a táblázatcellák pedig szövegsorokként jelennek meg, mert a PDF nem rögzíti, hogy melyik szöveg melyik cellához tartozik.

Miért érzékel egy címsort bekezdésként (vagy fordítva)?

A címsorokat csak az ismeri fel, ha nagyobbak a leggyakoribb szövegméretnél. A normál méretű félkövér szöveg bekezdés marad, a nagy méretű díszítő szöveg pedig címsorrá válhat.

Miért rossz a bekezdések sorrendje?

Az eszköz a PDF-ben tárolt szöveg sorrendjét követi. Egyes programok az oszlopokat, oldalsávokat vagy képaláírásokat a megjelenésüktől eltérő sorrendben tárolják.

A PDF-ből nem nyerhető ki szöveg. Mit tehetek?

Valószínűleg szkennelt dokumentum. Először ismerje fel a szöveget OCR-rel, például a Kép szöveggé (OCR) eszközzel az oldalképeken.

Adatvédelem

A PDF beolvasása a böngészőjében, pdf.js segítségével történik. A fájlt és a HTML-t nem töltjük fel, nem tároljuk, és nem szerepeltetjük az elemzésekben; csak egy névtelen esemény rögzíti, hogy az eszközt használták.