tigtools

PDF naar HTML

Kies een PDF om de tekst ervan opnieuw op te bouwen als HTML die u op een website kunt plakken of bewerken. Het bestand wordt op uw apparaat gelezen met pdf.js.

Werkt in je browser Geen registratie nodig

of zet het hier neer. Het bestand blijft op je apparaat.

Zo gebruik je deze tool

  1. Kies of sleep een PDF-bestand.
  2. Kies Alinea's en koppen of gepositioneerde lay-out.
  3. Selecteer Omzetten naar HTML en wacht tot alle pagina's zijn gelezen.
  4. Controleer het voorbeeld, kopieer daarna de code of download het .html-bestand.

Hoe het werkt

De tool leest de tekstlaag van elke pagina met pdf.js: elk stuk tekst met de positie en lettergrootte. In de modus Paragrafen en koppen worden stukken op dezelfde basislijn samengevoegd tot regels, en regels worden op basis van verticale witruimte en inspringing gegroepeerd tot paragrafen. Regels die duidelijk groter zijn dan de broodtekst worden koppen (h1–h3), regels die beginnen met een opsommingsteken of een nummer zoals 1. worden lijstitems, en woorden die aan het einde van een regel zijn afgebroken, worden samengevoegd wanneer de volgende regel met een kleine letter begint. Een HTML-commentaar geeft aan waar elke pagina begint.

In de modus Gepositioneerde lay-out wordt elk stuk tekst een span op zijn coördinaten in een vlak ter grootte van de pagina, met een generiek serif-, sans-serif- of monospace-lettertype. Het lijkt op de PDF, maar is niet geschikt om te bewerken.

Alleen tekst wordt omgezet. Afbeeldingen, tekeningen, tabelranden, kleuren, lettertypen, vet en cursief, en koppelingen worden niet overgenomen; tabellen komen uit als tekstregels. Pagina's met meerdere kolommen worden gelezen in de volgorde waarin de tekst is opgeslagen, wat meestal maar niet altijd de leesvolgorde is. Gescande PDF's hebben geen tekstlaag en moeten eerst met OCR worden verwerkt. Alle tekst is HTML-escaped.

Voorbeelden

Een brochure online zetten

Een productbrochure van twee pagina's wordt omgezet in h2-koppen, paragrafen en opsommingslijsten die in een CMS kunnen worden geplakt en zich aanpassen aan telefoonschermen.

De tekstlaag controleren

De gepositioneerde lay-out toont precies waar elk tekstfragment van een formulier op de pagina staat, handig voor het debuggen van PDF-generatie.

Veelgestelde vragen

Worden afbeeldingen en tabellen omgezet?

Nee. Alleen de tekstlaag wordt gelezen. Afbeeldingen en grafische elementen worden overgeslagen en tabelcellen komen als tekstregels uit, omdat in een PDF niet wordt vastgelegd welke tekst bij welke cel hoort.

Waarom wordt een kop als een paragraaf herkend (of andersom)?

Koppen worden alleen herkend doordat ze groter zijn dan de meest voorkomende tekstgrootte. Vette tekst van normale grootte blijft een paragraaf en grote decoratieve tekst kan een kop worden.

Waarom is de volgorde van paragrafen onjuist?

De tool volgt de volgorde waarin tekst in de PDF is opgeslagen. Sommige programma's slaan kolommen, zijbalken of bijschriften in een andere volgorde op dan waarin ze worden weergegeven.

Mijn PDF geeft geen tekst. Wat kan ik doen?

Het is waarschijnlijk een gescand document. Herken de tekst eerst met OCR, bijvoorbeeld met Image to Text (OCR) op pagina-afbeeldingen.

Privacy

De PDF wordt in uw browser gelezen met pdf.js. Het bestand en de HTML worden niet geüpload, opgeslagen of in analytics opgenomen; alleen een anonieme gebeurtenis voor het gebruik van de tool wordt geteld.