Как пользоваться
- Выберите или перетащите PDF-файл.
- Выберите режим «Абзацы и заголовки» или «Позиционированный макет».
- Нажмите «Конвертировать в HTML» и дождитесь обработки всех страниц.
- Проверьте предпросмотр, затем скопируйте код или скачайте файл .html.
Как это работает
Инструмент читает текстовый слой каждой страницы с помощью pdf.js: каждый фрагмент текста с его позицией и размером шрифта. В режиме «Абзацы и заголовки» фрагменты на одной базовой линии объединяются в строки, а строки группируются в абзацы по вертикальным интервалам и отступам. Строки с заметно более крупным шрифтом, чем основной текст, становятся заголовками (h1–h3), строки, начинающиеся с маркера или числа, например 1., становятся элементами списка, а слова с переносом в конце строки соединяются, если следующая строка начинается со строчной буквы. HTML-комментарий показывает, где начинается каждая страница.
В режиме «Позиционированный макет» каждый фрагмент текста становится элементом span, размещённым по своим координатам на блоке размером со страницу, с использованием универсального шрифта serif, sans-serif или monospace. Это похоже на PDF, но не подходит для редактирования.
Преобразуется только текст. Изображения, рисунки, границы таблиц, цвета, шрифты, полужирное и курсивное начертание, а также ссылки не переносятся; таблицы выводятся как строки текста. Многоколоночные страницы читаются в порядке хранения текста, который обычно, но не всегда, является порядком чтения. В отсканированных PDF нет текстового слоя, поэтому сначала требуется OCR. Весь текст экранируется для HTML.
Примеры
Публикация брошюры онлайн
Двухстраничная брошюра о продукте превращается в заголовки h2, абзацы и маркированные списки, которые вставляются в CMS и адаптируются под экраны телефонов.
Проверка текстового слоя
Позиционированный макет показывает, где именно на странице находится каждый текстовый фрагмент формы; это полезно при отладке генерации PDF.
Часто задаваемые вопросы
Преобразуются ли изображения и таблицы?
Нет. Читается только текстовый слой. Изображения и графика пропускаются, а ячейки таблиц выводятся как текстовые строки, потому что в PDF не записано, какой текст относится к какой ячейке.
Почему заголовок определяется как абзац (или наоборот)?
Заголовки распознаются только по тому, что они крупнее наиболее распространённого размера текста. Полужирный текст обычного размера остаётся абзацем, а крупный декоративный текст может стать заголовком.
Почему порядок абзацев неправильный?
Инструмент следует порядку хранения текста в PDF. Некоторые программы сохраняют колонки, боковые панели или подписи в порядке, отличном от визуального.
Мой PDF не содержит текста. Что можно сделать?
Скорее всего, это отсканированный документ. Сначала распознайте текст с помощью OCR — например, инструментом «Изображение в текст (OCR)» на изображениях страниц.
Конфиденциальность
PDF считывается в вашем браузере с помощью pdf.js. Файл и HTML не загружаются, не сохраняются и не включаются в аналитику; учитывается только анонимное событие использования инструмента.