PDF in HTML

PDF in HTML: Anleitung

PDF in HTML: die wichtigsten Funktionen

PDF in HTML im Überblick

PDF in HTML liest jede Seite mit pdf.js und gruppiert Textabschnitte anhand ihrer vertikalen Position zu Zeilen. Die erste Zeile einer Seite wird zu einer h2-Überschrift, wenn sie unter 60 Zeichen hat, ebenso jede Zeile unter 40 Zeichen, die in Großbuchstaben geschrieben ist; jede andere Zeile wird zu einem Absatz. Die Zeilen werden in einem Abschnitt pro Seite innerhalb eines gestalteten Dokuments zusammengefasst, und eine Seite ohne Text erhält stattdessen einen Platzhaltervermerk.

Es ist ein schneller Weg, den Text eines PDFs auf eine Webseite, in ein CMS, das HTML akzeptiert, oder in eine Form zu bringen, die Sie mit eigenem CSS neu gestalten können. Die Überschriftenerkennung ist einfach gehalten, sodass ein Datum oder eine kurze erste Zeile als Überschrift markiert werden kann. Ein gescanntes PDF hat keine Textebene und kommt nur als Platzhalterabschnitte heraus; verarbeiten Sie es zuerst mit OCR PDF.

PDF in HTML: typische Anwendungsfälle

Ein Protokoll, ein Newsletter oder eine Mitteilung soll als Link statt als Anhang verschickt werden. Wandeln Sie das PDF um, laden Sie die .html herunter und legen Sie sie auf einem beliebigen Webspace ab; es ist eine einzelne Datei mit eingebetteten Stilen, die sich in jedem Browser öffnet, ohne dass etwas installiert werden muss.

Für jemanden, der einen Screenreader oder eine große Textgröße nutzt, ist ein PDF mit festem Layout mühsam zu lesen. Die HTML-Ausgabe hat einen Viewport-Tag und einen Container, der bei 800 Pixel umbricht, sodass sich der Text auf dem Smartphone neu anordnet und der Textgröße des Browsers folgt, und die Überschriften geben dem Screenreader eine Orientierung zum Navigieren.

Sie möchten den Text mit einem Skript verarbeiten. Die Ausgabe umschließt jede PDF-Seite mit einem section-Element mit der Beschriftung Page N of M und verwendet darin nur h2- und p-Tags, was leicht abzufragen und zu entfernen ist. Nimmt das Ziel stattdessen Markdown an, wendet PDF in Markdown dieselbe Zeilengruppierung an und schreibt ##-Überschriften und Aufzählungspunkte mit -.

Wenn die Seite wie das PDF aussehen muss, behalten Sie das PDF: Verlinken Sie es, oder rendern Sie Seiten mit PDF in JPG als Bilder und betten Sie diese ein. Für die umgekehrte Richtung macht HTML in PDF aus einer Webseite wieder ein Dokument. Ein Scan liefert nur Platzhalterabschnitte; verarbeiten Sie ihn zuerst mit OCR PDF.

Tipps und Fehlerbehebung

• Die Meldung „Das PDF konnte nicht in HTML umgewandelt werden: No password given“ bedeutet, dass zum Öffnen des PDFs ein Passwort nötig ist. Entfernen Sie zuerst den Schutz; reine Kopierbeschränkungen allein verhindern das nicht.
• Die Meldung „Das PDF konnte nicht in HTML umgewandelt werden: Invalid PDF structure“ bedeutet, dass die abgelegte Datei kein PDF ist.
• Jede Zeile unter 40 Zeichen, die keine Kleinbuchstaben enthält, gilt als Großschreibung und wird zu einer h2-Überschrift, das schließt Daten, Beträge und reine Zahlen ein. Stufen Sie diese im Feld herab, bevor Sie kopieren.
• Die erste Zeile jeder Seite wird zu einer h2-Überschrift, wenn sie unter 60 Zeichen hat, sodass eine wiederkehrende Kopfzeile auf jeder Seite als Überschrift erscheint. Löschen Sie die Wiederholungen oder wandeln Sie sie in Absätze um.
• Jede Zeile des PDFs wird zu einem eigenen p-Element; umgebrochene Zeilen werden nicht zu Absätzen zusammengefügt. Wenn Sie Absätze rekonstruiert brauchen, fügt PDF in Word umgebrochene Zeilen anhand ihres Abstands zusammen.
• Das h1 in der Ausgabe ist Ihr Dateiname, und der Titel ist der Name ohne Dateiendung, gefolgt von einer Zeile mit dem Text Converted with PDFTools.studio und einem Badge mit der Seitenzahl. Bearbeiten oder entfernen Sie sie im Feld, bevor Sie kopieren.
• HTML kopieren übernimmt das Feld so, wie es ist, einschließlich Ihrer Änderungen; Datei herunterladen speichert die ursprüngliche Generierung, und Vorschau anzeigen rendert sie in einem Frame. Die Datei wird nach Ihrem PDF mit der Endung .html benannt, und Dateien über 150 MB werden abgelehnt, bevor irgendetwas ausgeführt wird.
• Für die umgekehrte Richtung rendert HTML in PDF eingefügtes HTML, eine HTML-Datei oder eine öffentliche Webseite als PDF. Für Notizen oder ein Repository schreibt PDF in Markdown denselben Text als .md-Datei.
• Seiten, die als Platzhalter herauskommen, sind Scans. Ein gescanntes PDF durchsuchbar machen erklärt, wie Sie eine Datei prüfen und die Textebene hinzufügen, die dieses Tool liest.

PDF in HTML: So funktioniert es in Ihrem Browser

pdf.js verarbeitet die Datei in einem Worker, der von cdnjs.cloudflare.com geladen wird, und liefert die Textabschnitte jeder Seite mit ihren Positionen zurück. Das Skript rundet die vertikale Position jedes Abschnitts und beginnt eine neue Zeile, sobald sie sich um mehr als 6 Punkte verschiebt, wobei Abschnitte in derselben Zeile mit einem Leerzeichen verbunden werden. Anschließend wendet es die Überschriftenprüfung auf jede Zeile an, maskiert Et-Zeichen und spitze Klammern und schreibt ein h2 oder ein p mit Inline-Stilen. Die Zeilen jeder Seite werden in einem section mit der Beschriftung Page N of M zusammengefasst, und eine Seite ohne Textabschnitte erhält stattdessen einen kursiven Platzhalter.

Die Abschnitte werden in eine Dokumentvorlage eingefügt, deren head den Zeichensatz, einen Viewport-Tag, den Titel und einen kurzen Style-Block enthält, sowie einen Kopfbereich mit Dateiname und Seitenzahl. Dieser String wird zu einem Blob vom Typ text/html. Die Ergebniskarte wird aus dem Blob erzeugt, und das Skript fügt eine Textarea mit dem Quelltext sowie eine Schaltfläche HTML kopieren hinzu, die die Zwischenablage-API nutzt. Vorschau anzeigen lädt den Blob über eine temporäre Objekt-URL in einen Frame, und Datei herunterladen speichert ihn auf dieselbe Weise. Die Ausgabe enthält keine Skripte und verweist auf keine externen Dateien, und nichts von Ihrem PDF verlässt den Tab.

Häufig gestellte Fragen