pdf2htmlEX

定义

pdf2htmlEX 是一个将 PDF 文件渲染为 HTML 的命令行工具，运行方式是把 PDF 路径作为参数交给程序，转换结果默认输出为网页文件^[1][3]。它与只做文字抽取的转换器不同，强调的是保真度，即把文本、字体与版式尽可能原样搬进网页，因此常被形容为高保真 PDF 至 HTML 转换。

它适合以文本为主的文档，例如含复杂公式与插图的学术论文，也适合排版复杂的杂志类读物^[3][4]。整个软件包以 GPLv3 及更高版本协议开放源代码，可以免费使用^[2][5]。

原理

转换过程建立在现有的 PDF 解析与字体处理库之上。项目使用 Poppler 读取和解析 PDF 内容，并借助 FontForge 对文档内嵌字体做提取与重新编码，使其能以网页字体格式嵌入 HTML 页面^[1][4]。

输出的网页会在文本层中放置真实字符，并按原文档的坐标与字号为每个字符定位，所以页面上的文字仍然可以选中、复制和检索^[3]。PDF 中的图形、公式、图像等非文本对象无法直接转成网页元素，通常被当作背景图渲染出来，从而在视觉上与原文一致^[1]。

页面可以输出为单个自包含的 HTML 文件，也可以按页拆分成多个文件；后者支持按需加载，但需要浏览器启用 JavaScript，另有回退模式可在不依赖 JavaScript 的情况下正确查看，代价是文件体积更大^[4]。程序提供近 50 个选项，用于控制缩放、字号倍率、分页方式与文字可见性等输出细节^[1][6]。

发展历程

项目由王璐创建，开发工作可追溯到 2012 年前后，中文资料中常把 2012 年 9 月 5 日作为其被收录的时间。原始代码仓库托管在 GitHub 上，后来被标记为不再维护并归档，原维护者公开征集新的接手者^[5]。

在原仓库停止更新后，社区出现了以 pdf2htmlEX 名义继续协作的分支，集中修复边缘情况下的缺陷、整合新版 Cairo 代码、重写被遮挡文字的处理逻辑，并改进 DPI 设置，相关提交一直延续到 2020 年代^[6][4]。发行方式也逐步多样化，除源码编译外，还提供 Debian 软件包、Alpine 软件包、AppImage、Docker 镜像等获取途径^[1]。

应用

最常见的用途是把 PDF 放到网页上直接阅读。转换后的文档不需要安装插件或额外的阅读器，用户可以在下载尚未完成时就开始阅读，这种边下边读的体验是电子杂志发布的典型场景^[1][4]。

在开发环境中，它常被当作命令行工具嵌入更大的处理流水线，由脚本或后端程序调用，用于发票、报告与文档门户一类的展示需求^[7]。官方演示覆盖了古籍排印、公式速查表、科学论文、电子杂志和含中日韩文字的手册等多种材料，说明它可用于书籍与杂志出版、个人简历等场景^[4][1]。

局限

官方文档明确指出，Type 3 字体的支持尚不完备，这类字体不能被完整地转换^[1]。实现这一支持需要依赖 Cairo 等可选组件，因此并非所有构建版本都具备相同能力^[4]。

非文本对象无法转换为网页原生元素，只能以图像形式呈现，这意味着其中的图形内容不参与文本检索，也无法被网页样式单独控制^[1][3]。按需加载的分页输出依赖 JavaScript，关闭脚本后需要改用回退模式，而回退模式生成的文件体积会明显增大。

转换质量与浏览器渲染精度相关。社区维护者曾建议使用特定的字号倍率与缩放参数来规避浏览器内部的取整误差，再通过缩放变换把页面调整到合适大小；输出中通常还会出现大量重复的背景图与字体文件，需要额外的后处理才能压缩体积^[6][4]。此外，字体的提取、转换与再分发可能涉及法律限制，使用者需要自行确认当地规定^[1]。

参见

• PDF —— pdf2htmlEX 所处理的输入文档格式。

• HTML —— 转换结果的输出格式，承载文本与版式信息。

• Poppler —— 项目用来解析 PDF 的基础库。

• FontForge —— 用于提取与重新编码内嵌字体的字体处理工具。

• PDF.js —— 在网页中渲染 PDF 的 JavaScript 库，也是该项目的灵感来源之一。