使用pdf2htmlEX实现将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：

1 2 3 4 5 6 7 8 9 10

文件最后加上： window.onload=function(){     var eles = document.getElementsByClassName('pf w0 h0');     var height = 0;     for(var i=0,len=eles.length;i<len;i++){         height +=eles[i].scrollHeight+20;     }     if(height>0)     document.getElementById('page-container').style.height=height+'px'; }

1 2 3 4 5 6 7 8 9 10

/*注释下面这段代码，因为手机浏览器无法触发滚动事件         this.container.addEventListener('scroll', function() {             self.update_page_idx();             self.schedule_render(true);     }, false); */ /*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*/    document.addEventListener('scroll', function() {             self.update_page_idx();             self.schedule_render(true);         }, false);

第三步：编写java处理类

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

public class Pdf2htmlEXUtil {       /**      * 调用pdf2htmlEX将pdf文件转换为html文件      * @param command 调用exe的字符串      * @param pdfName 需要转换的pdf文件名称      * @param htmlName 生成的html文件名称      * @return      */     public static boolean pdf2html(String command,String pdfName,String htmlName){         Runtime rt = Runtime.getRuntime();         try {             Process p = rt.exec(command);             StreamGobbler errorGobbler = new StreamGobbler(p.getErrorStream(), "ERROR");                            // kick off stderr              errorGobbler.start();              StreamGobbler outGobbler = new StreamGobbler(p.getInputStream(), "STDOUT");                // kick off stdout              outGobbler.start();             int w = p.waitFor();             System.out.println(w);             int v = p.exitValue();             System.out.println(v);             return true;         } catch (Exception e) {             e.printStackTrace();         }         return false;     }           public static void main(String[] args) {         pdf2html("D:\\pdf2htmlEX-v1.0\\pdf2htmlEX.exe D:\\v.pdf hello.html","v.pdf","v2.html");     } }

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

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

import java.io.BufferedReader; import java.io.IOException; import java.io.InputStream; import java.io.InputStreamReader; import java.io.OutputStream; import java.io.PrintWriter;   /**  * 用于处理Runtime.getRuntime().exec产生的错误流及输出流  * @author shaojing  *  */ public class StreamGobbler extends Thread {     InputStream is;     String type;     OutputStream os;               StreamGobbler(InputStream is, String type) {         this(is, type, null);     }       StreamGobbler(InputStream is, String type, OutputStream redirect) {         this.is = is;         this.type = type;         this.os = redirect;     }           public void run() {         InputStreamReader isr = null;         BufferedReader br = null;         PrintWriter pw = null;         try {             if (os != null)                 pw = new PrintWriter(os);             isr = new InputStreamReader(is);             br = new BufferedReader(isr);             String line=null;             while ( (line = br.readLine()) != null) {                 if (pw != null)                     pw.println(line);                 System.out.println(type + ">" + line);                }             if (pw != null)                 pw.flush();         } catch (IOException ioe) {             ioe.printStackTrace();          } finally{             try {                 if(pw!=null)                     pw.close();                 if(br!=null)                     br.close();                 if(isr!=null)                     isr.close();             } catch (IOException e) {                 e.printStackTrace();             }         }     } }

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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49

用法: pdf2htmlEX [options] <input.pdf> [<output.html>]   -f,--first-page <int>         需要转换的起始页 (默认: 1)   -l,--last-page <int>          需要转换的最后一页 (默认: 2147483647)   --zoom <fp>                   缩放比例   --fit-width <fp>              适合宽度 <fp> 像素   --fit-height <fp>             适合高度 <fp> 像素   --use-cropbox <int>           使用剪切框 (default: 1)   --hdpi <fp>                   图像水平分辨率 (default: 144)   --vdpi <fp>                   图像垂直分辨率 (default: 144)   --embed <string>              指定哪些元素应该被嵌入到输出   --embed-css <int>             将CSS文件嵌入到输出中 (default: 1)   --embed-font <int>            将字体文件嵌入到输出中 (default: 1)   --embed-image <int>           将图片文件嵌入到输出中 (default: 1)   --embed-javascript <int>      将javascript文件嵌入到输出中 (default: 1)   --embed-outline <int>         将链接嵌入到输出中 (default: 1)   --split-pages <int>           将页面分割为单独的文件 (default: 0)   --dest-dir <string>           指定目标目录 (default: ".")   --css-filename <string>       生成的css文件的文件名 (default: "")   --page-filename <string>      分割的网页名称  (default:"")   --outline-filename <string>   生成的链接文件名称 (default:"")   --process-nontext <int>       渲染图行，文字除外 (default: 1)   --process-outline <int>       在html中显示链接 (default: 1)   --printing <int>              支持打印 (default: 1)   --fallback <int>              在备用模式下输出 (default: 0)   --embed-external-font <int>   嵌入局部匹配的外部字体 (default: 1)   --font-format <string>        嵌入的字体文件后缀 (ttf,otf,woff,svg) (default: "woff")   --decompose-ligature <int>    分解连字-> fi (default:0)   --auto-hint <int>             使用fontforge的autohint上的字体时不提示 (default: 0)   --external-hint-tool <string> 字体外部提示工具 (overrides --auto-hint) (default: "")   --stretch-narrow-glyph <int>  伸展狭窄的字形，而不是填充 (default: 0)   --squeeze-wide-glyph <int>    收缩较宽的字形，而不是截断 (default: 1)   --override-fstype <int>       clear the fstype bits in TTF/OTF fonts (default:0)   --process-type3 <int>         convert Type 3 fonts for web (experimental) (default: 0)   --heps <fp>                   合并文本的水平临界值，单位：像素(default: 1)   --veps <fp>                   vertical threshold for merging text, in pixels (default: 1)   --space-threshold <fp>        断字临界值 (临界值 * em) (default:0.125)   --font-size-multiplier <fp>   一个大于1的值增加渲染精度 (default: 4)   --space-as-offset <int>       把空格字符作为偏移量 (default: 0)   --tounicode <int>             如何处理ToUnicode的CMap (0=auto, 1=force,-1=ignore) (default: 0)   --optimize-text <int>         尽量减少用于文本的HTML元素的数目 (default: 0)   --bg-format <string>          指定背景图像格式 (default: "png")   -o,--owner-password <string>  所有者密码 (为了加密文件)   -u,--user-password <string>   用户密码 (为了加密文件)   --no-drm <int>                覆盖文档的 DRM 设置 (default: 0)   --clean-tmp <int>             转换后删除临时文件 (default: 1)   --data-dir <string>           指定的数据目录 (default: ".\share\pdf2htmlEX")   --debug <int>                 打印调试信息 (default: 0)   -v,--version                  打印版权和版本信息   -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

1 2 3 4 5 6 7 8 9 10 11

window.onload=function(){     var eles = document.getElementsByClassName('pd w0 h0');     var height = 0;     for(var i=0,len=eles.length;i<len;i++){         height +=eles[i].scrollHeight+20;     }     if(height>0){         document.getElementById('page-container').style.height=height+'px';         document.getElementById('page-container').style.overflow='hidden';     } }

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