使用方法

选择或拖入一个 PDF 文件。
选择“段落和标题”或“定位布局”。
选择“转换为 HTML”，等待所有页面读取完成。
检查预览，然后复制代码或下载 .html 文件。

工作原理

该工具使用 pdf.js 读取每一页的文本层：读取每个文本片段及其位置和字号。在“段落和标题”模式下，同一基线上的文本片段会合并为行，行再根据垂直间距和缩进分组为段落。字号明显大于正文的行会成为标题（h1–h3），以项目符号或“1.”等数字开头的行会成为列表项，行尾用连字符断开的单词在下一行以小写字母开头时会合并。一个 HTML 注释会标记每一页开始的位置。

在“定位布局”模式下，每个文本片段都会成为一个 span，按坐标放置在页面大小的框上，并使用通用的 serif、sans-serif 或 monospace 字体。它外观类似 PDF，但不适合编辑。

仅转换文本。图像、图形、表格边框、颜色、字体、粗体和斜体以及链接均不会保留；表格会以文本行输出。多栏页面按文本存储顺序读取，该顺序通常是阅读顺序，但并非总是如此。扫描版 PDF 没有文本层，需要先进行 OCR。所有文本均经过 HTML 转义。

示例

将宣传册发布到网上

一份两页的产品宣传册会变成 h2 标题、段落和项目符号列表，可粘贴到 CMS 中并适配手机屏幕。

检查文本层

定位布局会准确显示表单中每个文本片段在页面上的位置，有助于调试 PDF 生成。

常见问题

会转换图像和表格吗？

不会。只会读取文本层。图像和图形会被跳过，表格单元格会以文本行输出，因为 PDF 不会记录哪些文本属于哪个单元格。

为什么标题被识别为段落（或反过来）？

仅当字号大于最常见的文本字号时，才会被识别为标题。正常大小的粗体文本仍为段落，而较大的装饰性文本可能会被识别为标题。

为什么段落顺序不对？

该工具遵循文本在 PDF 中的存储顺序。某些程序存储栏、侧边栏或图注的顺序与它们显示的顺序不同。

我的 PDF 没有文本，该怎么办？

它很可能是一份扫描文档。请先使用 OCR 识别文字，例如对页面图片使用“图片转文字 (OCR)”。

隐私

PDF 会在你的浏览器中通过 pdf.js 读取。文件与生成的 HTML 不会被上传、存储或用于分析；系统只会统计一次“工具已被使用”的匿名事件。