Latex格式html文件转换pdf和docx文档

最近有需求将包含latex格式的html文档转换成pdf和docx文档的需求，由于之前完全没接触过，最近几天调研和实验了一番后将格式转换的关键点都实验成功，总结记录一下。

转换原理

各种转换工具对比之后选择了号称“格式转换瑞士军刀”的pandoc，pandoc功能强大且开源，从官方说明文档就知道多厉害了。

由于历史原因，需要转换的html格式文件比较复杂，直接用pandoc转换到docx，有极少数格式会出问题，导致转换后的docx文件打开会提示格式错误。最后研究发现mathjax对各种格式的兼容处理比较强大，采用mathjax将原始latex文件转换成mml格式后，再给到pandoc转换docx就可以了。

mathjax转换部分找同事搭建了一个node.js服务提供转换接口和css控制，只需要调用接口将原始latex数据转换成mml格式，再讲转换后的格式替换掉原始html文件中的latex部分，最终生成包含mml格式的html文件。

环境搭建

转换环境包括：

• mathjax node.js服务
• pandoc
• TeX Live
• stack工具(Haskell Platform)

mathjax服务是用来将原始html文件转换成mml格式（如果你面对的latex格式并不复杂且很标准，那么不需要这部分，直接用pandoc处理问题也不大），我们这里需要mathjax处理是因为我们有遇到各种奇怪的latex格式，且pandoc对latex格式判断比较严格，通过兼容性较好的mathjax处理一遍后有明显效果。
pandoc是最终用来做格式转换的工具，为了安装pandoc，需要用到Haskell环境，因此需要安装stack来部署和管理整个Haskell。
pandoc不提供docx到pdf的直接转换，只能采用mml到pdf的转换方式，但是需要额外的latex转换引擎支持才能做到，pandoc官方推荐使用TexLive。

TexLive安装
首先下载安装包
解压后执行install-tl按照提示输入I进行安装，经过漫长下载等待后完成。安装成功后xelatex可执行程序目录在/usr/local/texlive/2016/bin/x86_64-linux/ ，需要记得将这个目录加入到PATH环境变量中。

pandoc安装
我是选择源码安装方式，自己下载了pandoc-1.19.2
先安装Stack工具：

curl -sSL https://get.haskellstack.org/ | sh

按照pandoc安装说明文档，切换到pandoc解压目录，执行：

stack setup
stack install --test

安装成功后，需要注意pandoc可执行文件默认放到了/root/.local/bin，需要修改PATH环境变量才能找到。

转换命令

转换到docx的命令如下：

pandoc -s --mathml filename.mml -o output.docx 

转换到pdf的命令如下：

pandoc --latex-engine=xelatex filename.html -o output.pdf

还有很多其他pandoc转换命令和兼容格式，具体参考官方文档。

转换结果示例：

转换pdf中文编码处理

pandoc默认转换到pdf的时候，中文处理会有问题，显示不出来，需要添加字体支持。

pandoc -s old.html.html --latex-engine=xelatex -V mainfont=SimHei -o 20.pdf 

上述命令指定用黑体转换中文，通过mainfont参数指定中文字体，但是前提是你的系统里面已经安装了相关的中文字体支持，我在centos安装中文，采用了这个链接的方法。查看系统支持的字体命令是 fc-list。

从word中提取latex公式

同样可以通过pandoc将word中的latex提取出来，具体做法就是将pandoc转换为markdown格式之后就可以写程序匹配出latex公式数据（$$之间的部分）

pandoc -s aaa.docx -t markdown -o aaa.md