pdf2htmlEX实现pdf转html

首先要感谢pdf2htmlEX的作者Lu Wang，该软件是一个pdf转html的开源软件，效果非常理想。下面两张图片是html和pdf视图下的截图：

windows下载地址pdf2htmlEX-v1.0-win32-static

本人开发的一个功能：文档在线阅读，要求能够支持移动终端浏览器在线阅读。考虑过将文档先转pdf，然后在将pdf转swf，利用flexpaper在前端浏览器访问。但是由于safari浏览器不支持flash，所以这种方式不太适合。也测试过火狐的pdf.js，但是这个框架在safari中出现中文乱码，同样不行。最后，经过测试，只有使用pdf2htmlEX转的html在各个浏览器上展示效果均不错，所以选择该软件。

第一步：下载pdf2html。

第二步：修改pdf2html自带的js文件pdf2htmlEX.min.js。原因：移动终端浏览器对CSS定位absolute的支持有问题（不会出现滚动条），所以需要为所有页面的容器设置高度，这样，手机浏览器就可以出现滚动条了。修改和添加的js代码如下：

[html] view plaincopy

1. 文件最后加上：  

2. window.onload=function(){  

3.     var eles = document.getElementsByClassName('pf w0 h0');  

4.     var height = 0;  

5.     for(var i=0,len=eles.length;i<len;i++){  

6.         height +=eles[i].scrollHeight+20;  

7.     }  

8.     if(height>0)  

9.     document.getElementById('page-container').style.height=height+'px';  

10. }  

[javascript] view plaincopy

1. /*注释下面这段代码，因为手机浏览器无法触发滚动事件 

2.     <span style="white-space:pre">  </span>this.container.addEventListener('scroll', function() { 

3.       <span style="white-space:pre">        </span>self.update_page_idx(); 

4.       <span style="white-space:pre">        </span>self.schedule_render(true); 

5.    <span style="white-space:pre">   </span>}, false); 

6. */  

7. /*新增，使用document对象上滚动加载页面数据，这样可以兼容手机浏览器*/  

8. <span style="white-space:pre">  </span>document.addEventListener('scroll', function() {  

9.         <span style="white-space:pre">  </span>self.update_page_idx();  

10.         <span style="white-space:pre">  </span>self.schedule_render(true);  

11.       <span style="white-space:pre">    </span>}, false);  

第三步：编写java处理类

[java] view plaincopy

1. public class Pdf2htmlEXUtil {  

2.   

3.     /** 

4.      * 调用pdf2htmlEX将pdf文件转换为html文件 

5.      * @param command 调用exe的字符串 

6.      * @param pdfName 需要转换的pdf文件名称 

7.      * @param htmlName 生成的html文件名称 

8.      * @return  

9.      */  

10.     public static boolean pdf2html(String command,String pdfName,String htmlName){  

11.         Runtime rt = Runtime.getRuntime();  

12.         try {  

13.             Process p = rt.exec(command);  

14.             StreamGobbler errorGobbler = new StreamGobbler(p.getErrorStream(), "ERROR");                

15.               // kick off stderr    

16.             errorGobbler.start();    

17.             StreamGobbler outGobbler = new StreamGobbler(p.getInputStream(), "STDOUT");    

18.               // kick off stdout    

19.             outGobbler.start();   

20.             int w = p.waitFor();  

21.             System.out.println(w);  

22.             int v = p.exitValue();  

23.             System.out.println(v);  

24.             return true;  

25.         } catch (Exception e) {  

26.             e.printStackTrace();  

27.         }  

28.         return false;  

29.     }  

30.       

31.     public static void main(String[] args) {  

32.         pdf2html("D:\\pdf2htmlEX-v1.0\\pdf2htmlEX.exe D:\\v.pdf hello.html","v.pdf","v2.html");  

33.     }  

34. }  

处理Runtime.exec()一直阻塞的类：如果没有这个类，p.waitFor()将会一直等待，这是从这里找到的解决方法

[java] view plaincopy

1. import java.io.BufferedReader;  

2. import java.io.IOException;  

3. import java.io.InputStream;  

4. import java.io.InputStreamReader;  

5. import java.io.OutputStream;  

6. import java.io.PrintWriter;  

7.   

8. /** 

9.  * 用于处理Runtime.getRuntime().exec产生的错误流及输出流 

10.  * @author shaojing 

11.  * 

12.  */  

13. public class StreamGobbler extends Thread {  

14.     InputStream is;  

15.     String type;  

16.     OutputStream os;  

17.           

18.     StreamGobbler(InputStream is, String type) {  

19.         this(is, type, null);  

20.     }  

21.   

22.     StreamGobbler(InputStream is, String type, OutputStream redirect) {  

23.         this.is = is;  

24.         this.type = type;  

25.         this.os = redirect;  

26.     }  

27.       

28.     public void run() {  

29.         InputStreamReader isr = null;  

30.         BufferedReader br = null;  

31.         PrintWriter pw = null;  

32.         try {  

33.             if (os != null)  

34.                 pw = new PrintWriter(os);  

35.             isr = new InputStreamReader(is);  

36.             br = new BufferedReader(isr);  

37.             String line=null;  

38.             while ( (line = br.readLine()) != null) {  

39.                 if (pw != null)  

40.                     pw.println(line);  

41.                 System.out.println(type + ">" + line);      

42.             }  

43.             if (pw != null)  

44.                 pw.flush();  

45.         } catch (IOException ioe) {  

46.             ioe.printStackTrace();    

47.         } finally{  

48.             try {  

49.                 if(pw!=null)  

50.                     pw.close();  

51.                 if(br!=null)  

52.                     br.close();  

53.                 if(isr!=null)  

54.                     isr.close();  

55.             } catch (IOException e) {  

56.                 e.printStackTrace();  

57.             }  

58.         }  

59.     }  

60. }   

一个完整的高保真pdf转html例子就完成了。使用pdf2html，本人摸索了2天，终于在今天搞定，特此记录一下。

pdf2html命令用法：

[html] view plaincopy

1. 用法: pdf2htmlEX [options] <input.pdf> [<output.html>]  

2.   -f,--first-page <int>         需要转换的起始页 (默认: 1)  

3.   -l,--last-page <int>          需要转换的最后一页 (默认: 2147483647)  

4.   --zoom <fp>                   缩放比例  

5.   --fit-width <fp>              适合宽度 <fp> 像素  

6.   --fit-height <fp>             适合高度 <fp> 像素  

7.   --use-cropbox <int>           使用剪切框 (default: 1)  

8.   --hdpi <fp>                   图像水平分辨率 (default: 144)  

9.   --vdpi <fp>                   图像垂直分辨率 (default: 144)  

10.   --embed <string>              指定哪些元素应该被嵌入到输出  

11.   --embed-css <int>             将CSS文件嵌入到输出中 (default: 1)  

12.   --embed-font <int>            将字体文件嵌入到输出中 (default: 1)  

13.   --embed-image <int>           将图片文件嵌入到输出中 (default: 1)  

14.   --embed-javascript <int>      将javascript文件嵌入到输出中 (default: 1)  

15.   --embed-outline <int>         将链接嵌入到输出中 (default: 1)  

16.   --split-pages <int>           将页面分割为单独的文件 (default: 0)  

17.   --dest-dir <string>           指定目标目录 (default: ".")  

18.   --css-filename <string>       生成的css文件的文件名 (default: "")  

19.   --page-filename <string>      分割的网页名称  (default:"")  

20.   --outline-filename <string>   生成的链接文件名称 (default:"")  

21.   --process-nontext <int>       渲染图行，文字除外 (default: 1)  

22.   --process-outline <int>       在html中显示链接 (default: 1)  

23.   --printing <int>              支持打印 (default: 1)  

24.   --fallback <int>              在备用模式下输出 (default: 0)  

25.   --embed-external-font <int>   嵌入局部匹配的外部字体 (default: 1)  

26.   --font-format <string>        嵌入的字体文件后缀 (ttf,otf,woff,svg) (default: "woff")  

27.   --decompose-ligature <int>    分解连字-> fi (default:0)  

28.   --auto-hint <int>             使用fontforge的autohint上的字体时不提示 (default: 0)  

29.   --external-hint-tool <string> 字体外部提示工具 (overrides --auto-hint) (default: "")  

30.   --stretch-narrow-glyph <int>  伸展狭窄的字形，而不是填充 (default: 0)  

31.   --squeeze-wide-glyph <int>    收缩较宽的字形，而不是截断 (default: 1)  

32.   --override-fstype <int>       clear the fstype bits in TTF/OTF fonts (default:0)  

33.   --process-type3 <int>         convert Type 3 fonts for web (experimental) (default: 0)  

34.   --heps <fp>                   合并文本的水平临界值，单位：像素(default: 1)  

35.   --veps <fp>                   vertical threshold for merging text, in pixels (default: 1)  

36.   --space-threshold <fp>        断字临界值 (临界值 * em) (default:0.125)  

37.   --font-size-multiplier <fp>   一个大于1的值增加渲染精度 (default: 4)  

38.   --space-as-offset <int>       把空格字符作为偏移量 (default: 0)  

39.   --tounicode <int>             如何处理ToUnicode的CMap (0=auto, 1=force,-1=ignore) (default: 0)  

40.   --optimize-text <int>         尽量减少用于文本的HTML元素的数目 (default: 0)  

41.   --bg-format <string>          指定背景图像格式 (default: "png")  

42.   -o,--owner-password <string>  所有者密码 (为了加密文件)  

43.   -u,--user-password <string>   用户密码 (为了加密文件)  

44.   --no-drm <int>                覆盖文档的 DRM 设置 (default: 0)  

45.   --clean-tmp <int>             转换后删除临时文件 (default: 1)  

46.   --data-dir <string>           指定的数据目录 (default: ".\share\pdf2htmlEX")  

47.   --debug <int>                 打印调试信息 (default: 0)  

48.   -v,--version                  打印版权和版本信息  

49.   -h,--help                     打印使用帮助信息  

本人使用的版本时v0.11的和v1的版本有一些区别，主要是作者重新编写了pdftohtmlEX.js所以需要对照上面的js做相应修改

[javascript] view plaincopy

1. window.onload=function(){  

2.     var eles = document.getElementsByClassName('pd w0 h0');  

3.     var height = 0;  

4.     for(var i=0,len=eles.length;i<len;i++){  

5.         height +=eles[i].scrollHeight+20;  

6.     }  

7.     if(height>0){  

8.         document.getElementById('page-container').style.height=height+'px';  

9.         document.getElementById('page-container').style.overflow='hidden';  

10.     }  

11. }  

[javascript] view plaincopy

1. //this.$container.scroll(function(){ _.schedule_render(); });  

2.   $(document).scroll(function(){_.schedule_render();});  

3.