Python将PDF转换为HTML的实现方法
作者：Eiceblue
PDF文件是共享和分发文档的常用选择,但提取和再利用PDF文件中的内容可能会非常麻烦,本文重点介绍如何在Python程序中将PDF转换为HTML,文中有详细的代码示例,需要的朋友可以参考下
PDF文件是共享和分发文档的常用选择，但提取和再利用PDF文件中的内容可能会非常麻烦。而
利用Python将PDF文件转换为HTML
是解决此问题的理想方案之一，这样做可以增强文档可访问性，使文档可搜索，同时增强文档在不同场景中的实用性。此外，HTML格式使得搜索引擎能够对内容进行索引，从而更有可能在网络上被发现。借助Python的灵活性和易用性，无论是初学者还是有经验的开发人员都可以轻松高效地使用Python来将PDF转换为HTML。
本文介绍的方法使用了
Spire.PDF for Python
工具，可以从官网下载，也可以通过PyPI进行安装：
pip install Spire.PDF
。
通过Python将PDF转换为HTML方法概览
在Spire.PDF for Python中，
PdfDocument
类表示一个PDF文档。我们可以使用该类下的
LoadFromFile()
方法加载PDF文件，然后使用
SaveToFile()
方法将文档保存为其他格式，如HTML，从而轻松实现从PDF到HTML的转换。
此外，该API还提供了
PdfDocument.ConvertOptions
属性下的
SetConvertHtmlOptions()
方法，用于在转换过程中设置转换选项。以下是可以传递给该方法的参数，用于设置最大页数、SVG嵌入选项、图像嵌入选项和SVG质量选项：
-
useEmbeddedSvg(bool)
：当设置为True时，允许在转换后的HTML文件中嵌入SVG。生成的HTML文件将包含PDF文档中的所有元素，包括图像，都在一个HTML文件中。
-
useEmbeddedImg(bool)
：当设置为True时，允许在转换后的HTML文件中嵌入图像。此参数仅在useEmbeddedSvg设置为False时起作用。
-
maxPageOneFile(int)
：设置单个HTML文件中包含的最大页数。如果PDF的页数超过指定的数字，将生成多个HTML文件，每个文件包含部分页数。
-
useHighQualityEmbeddedSvg(bool)
：当设置为True时，在HTML转换过程中确保使用高质量的嵌入SVG图像。
使用Spire.PDF for Python将PDF转换为HTML的一般代码流程：
-
创建
PdfDocument
类的对象，并使用
PdfDocument.LoadFromFile(string fileName)
方法加载PDF文档。
-
使用
PdfDocument.ConversionOptions.SetConvertHtmlOptions()
方法设置转换选项。
-
使用
PdfDocument.SaveToFile(string fileName, FileFormat.HTML)
方法将文档转换为HTML格式并保存。
使用Python代码将PDF转换为单个HTML文件
以下代码示例展示了如何直接使用Python将PDF转换为HTML，不设置任何转换选项。在这种情况下，我们只需要使用
LoadFromFile
方法加载PDF文件，并使用
SaveToFile
方法将其保存为HTML文件。转换后的HTML文件将是一个包含嵌入图像和其他元素的单个HTML文件。
代码示例：
from spire.pdf.common import *
from spire.pdf import *
# 创建一个PdfDocument类的对象
doc = PdfDocument()
# 加载一个PDF文档
doc.LoadFromFile("示例.pdf")
# 将文档转换为HTML
doc.SaveToFile("output/HTML/PDF转HTML.html", FileFormat.HTML)
doc.Close()
转换效果：
使用Python将PDF转换为不嵌入图像的HTML
通过将 useEmbeddedSvg 参数设置为 False，我们可以将PDF文档转换为不嵌入图像等信息的单HTML文件，文档中的图像和CSS文件与HTML分离并存储在一个文件夹中。这样可以方便对转换后的HTML文件进行进一步编辑，以及对图像进行其他操作。
代码示例：
from spire.pdf.common import *
from spire.pdf import *
# 创建一个PdfDocument类的对象
doc = PdfDocument()
# 加载一个PDF文档
doc.LoadFromFile("示例.pdf")
# 禁用SVG嵌入
doc.ConvertOptions.SetPdfToHtmlOptions(False)
# 将文档转换为HTML
doc.SaveToFile("output/HTML/PDF转不嵌入SVG的HTML.html", FileFormat.HTML)
doc.Close()
转换结果：
使用Python将PDF转换为多个HTML文件
在 useEmbeddedSvg 设置为 False 的前提下，SetPdfToHtmlOptions 方法允许使用 maxPageOneFile(int) 参数确定每个转换后的HTML文件中包含的最大页数。此功能可实现将PDF文档在转换过程中拆分成多个文件。例如，将该参数设置为1将使每个页面被转换为一个单独的HTML文件。
代码示例：
