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 plain  copy

 

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 plain  copy

 

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 plain  copy

 

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 plain  copy

 

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 plain  copy

 

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 plain  copy

 

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 plain  copy

 

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

修改之后的Pdf2htmlEXUtil

[java]  view plain  copy

 

1. package cn.com.oims.util;  
2.   
3. import cn.com.oims.config.BaseConfig;  
4.   
5. /**@author liuzhengyong 
6.  * @version 1.0 时间：2013-12-30  下午2:24:10 
7.  * pdf文件转html工具类 
8.  */  
9. public class Pdf2htmlEXUtil {  
10. <span style="white-space:pre">  </span>private static final int OS = 2;  
11.     /** 
12.      * 调用pdf2htmlEX将pdf文件转换为html文件 
13.      * @param exeFilePath pdf2htmlEX.exe文件路径 
14.      * @param pdfFile pdf文件绝对路径 
15.      * @param [destDir] 生成的html文件存放路径 
16.      * @param htmlName 生成的html文件名称 
17.      * @return 
18.      */  
19.     public static boolean pdf2html(String exeFilePath,String pdfFile,String destDir,String htmlFileName){  
20.         if(OS==2){//linux  
21.             return pdf2html_linux(htmlFileName, htmlFileName, htmlFileName);  
22.         }  
23.         if(!(exeFilePath!=null&&!"".equals(exeFilePath)  
24.                 &&pdfFile!=null&&!"".equals(pdfFile)  
25.                 &&htmlFileName!=null&&!"".equals(htmlFileName))){  
26.             System.out.println("传递的参数有误！");  
27.             return false;  
28.         }  
29.         Runtime rt = Runtime.getRuntime();  
30.         StringBuilder command = new StringBuilder();  
31.         command.append(exeFilePath).append(" ");  
32.         if(destDir!=null&&!"".equals(destDir.trim()))//生成文件存放位置,需要替换文件路径中的空格  
33.             command.append("--dest-dir ").append(destDir.replace(" ", "\" \"")).append(" ");  
34.         command.append("--optimize-text 1 ");//尽量减少用于文本的HTML元素的数目 (default: 0)  
35.         command.append("--zoom 1.4 ");  
36.         command.append("--process-outline 0 ");//html中显示链接：0——false，1——true  
37.         command.append("--font-format woff ");//嵌入html中的字体后缀(default ttf) ttf,otf,woff,svg  
38.         command.append(pdfFile.replace(" ", "\" \"")).append(" ");//需要替换文件路径中的空格  
39.         if(htmlFileName!=null&&!"".equals(htmlFileName.trim())){  
40.             command.append(htmlFileName);  
41.             if(htmlFileName.indexOf(".html")==-1)  
42.                 command.append(".html");  
43.         }  
44.         try {  
45.             System.out.println("Command："+command.toString());  
46.             Process p = rt.exec(command.toString());  
47.             StreamGobbler errorGobbler = new StreamGobbler(p.getErrorStream(), "ERROR");                
48.             //开启屏幕标准错误流  
49.             errorGobbler.start();    
50.             StreamGobbler outGobbler = new StreamGobbler(p.getInputStream(), "STDOUT");    
51.             //开启屏幕标准输出流  
52.             outGobbler.start();   
53.             int w = p.waitFor();  
54.             int v = p.exitValue();  
55.             if(w==0&&v==0){  
56.                 return true;  
57.             }  
58.         } catch (Exception e) {  
59.             e.printStackTrace();  
60.         }  
61.         return false;  
62.     }  
63.       
64.     public static boolean pdf2html_linux(String pdfFile,String destDir,String htmlFileName){  
65.         if(!(pdfFile!=null&&!"".equals(pdfFile)  
66.                 &&htmlFileName!=null&&!"".equals(htmlFileName))){  
67.             System.out.println("传递的参数有误！");  
68.             return false;  
69.         }  
70.         Runtime rt = Runtime.getRuntime();  
71.         StringBuilder command = new StringBuilder();  
72.         command.append("pdf2htmlEX").append(" ");  
73.         if(destDir!=null&&!"".equals(destDir.trim()))//生成文件存放位置,需要替换文件路径中的空格  
74.             command.append("--dest-dir ").append(destDir.replace(" ", "\" \"")).append(" ");  
75.         command.append("--optimize-text 1 ");//尽量减少用于文本的HTML元素的数目 (default: 0)  
76.         command.append("--process-outline 0 ");//html中显示链接：0——false，1——true  
77.         command.append("--font-format woff ");//嵌入html中的字体后缀(default ttf) ttf,otf,woff,svg  
78.         command.append(pdfFile.replace(" ", "\" \"")).append(" ");//需要替换文件路径中的空格  
79.         if(htmlFileName!=null&&!"".equals(htmlFileName.trim())){  
80.             command.append(htmlFileName);  
81.             if(htmlFileName.indexOf(".html")==-1)  
82.                 command.append(".html");  
83.         }  
84.         try {  
85.             System.out.println("Command："+command.toString());  
86.             Process p = rt.exec(command.toString());  
87.             StreamGobbler errorGobbler = new StreamGobbler(p.getErrorStream(), "ERROR");                
88.             //开启屏幕标准错误流  
89.             errorGobbler.start();    
90.             StreamGobbler outGobbler = new StreamGobbler(p.getInputStream(), "STDOUT");    
91.             //开启屏幕标准输出流  
92.             outGobbler.start();   
93.             int w = p.waitFor();  
94.             int v = p.exitValue();  
95.             if(w==0&&v==0){  
96.                 return true;  
97.             }  
98.         } catch (Exception e) {  
99.             e.printStackTrace();  
100.         }  
101.         return false;  
102.     }  
103. }  

[java]  view plain  copy

1.   

在dos环境下的调用命名：

D:\\pdf2htmlEX-v1.0\\pdf2htmlEX.exe d:\\test" "2 D:\\test" "1\\v1.pdf [v3.html]
D:\\pdf2htmlEX-v1.0\\pdf2htmlEX.exe表示exe文件路径。后面的空格不能少
d:\\test" "2表示转换之后的html存放位置，这里的" "为空格，dos环境下，所有空格必须使用""包裹，否则不能识别。后面的空格不能少
D:\\test" "1\\v1.pdf表示pdf文件的位置。后面的空格不能少

v3.html表示将pdf转为html文件的文件名。可选

https://github.com/coolwanglu/pdf2htmlEX