PDF a HTML

Cómo usar la herramienta PDF a HTML

Funciones principales de la herramienta PDF a HTML

Acerca de la herramienta PDF a HTML

PDF a HTML lee cada página con pdf.js y agrupa los fragmentos de texto en líneas según su posición vertical. La primera línea de una página, si tiene menos de 60 caracteres, y cualquier línea de menos de 40 caracteres escrita en mayúsculas, se convierten en encabezados h2; el resto de líneas se convierten en párrafos. Las líneas se envuelven en una sección por página dentro de un documento con estilos, y una página sin texto recibe en su lugar una nota de marcador de posición.

Es una forma rápida de llevar el texto de un PDF a una página web, a un CMS que acepte HTML, o a un formulario que puedas reestilizar con tu propio CSS. La detección de encabezados es sencilla, así que una fecha o una primera línea corta puede marcarse como encabezado. Un PDF escaneado no tiene capa de texto y sale solo con secciones de marcador de posición; pásalo antes por OCR PDF.

Cuándo usar la herramienta PDF a HTML

Un acta de reunión, un boletín o un aviso necesita enviarse como enlace en lugar de como adjunto. Convierte el PDF, descarga el .html y súbelo a cualquier espacio web; es un solo archivo con sus estilos en línea, y se abre en un navegador sin instalar nada más.

Un lector que usa un lector de pantalla o un tamaño de texto grande lo tiene difícil con un PDF de maquetación fija. La salida en HTML tiene una etiqueta viewport y un contenedor que ajusta el texto a 800 píxeles, así que el texto se readapta en un teléfono y sigue el tamaño de letra del navegador, y los encabezados le dan al lector de pantalla algo por donde navegar.

Quieres procesar el texto con un script. La salida envuelve cada página del PDF en un elemento section con una etiqueta Page N of M y usa dentro solo etiquetas h2 y p, lo que resulta fácil de consultar y limpiar. Si el destino admite Markdown en su lugar, PDF a Markdown aplica el mismo agrupado de líneas y escribe encabezados ## y viñetas -.

Cuando la página tenga que verse igual que el PDF, conserva el PDF: enlaza a él, o convierte las páginas en imágenes con PDF a JPG e insértalas. Para el sentido contrario, HTML a PDF convierte una página web de nuevo en un documento. Un escaneo solo da secciones de marcador de posición; pásalo antes por OCR PDF.

Consejos y solución de problemas

• No se pudo convertir el PDF a HTML: No password given significa que el PDF necesita una contraseña para abrirse. Quita antes la protección; las restricciones de copia por sí solas no lo impiden.
• No se pudo convertir el PDF a HTML: Invalid PDF structure significa que el archivo que soltaste no es un PDF.
• Cualquier línea de menos de 40 caracteres que no contenga minúsculas se cuenta como mayúsculas y se convierte en un h2, lo que incluye fechas, importes y números sueltos. Cambia esas líneas en el cuadro antes de copiar.
• La primera línea de cada página se convierte en un h2 si tiene menos de 60 caracteres, así que un encabezado que se repite aparece como encabezado en cada página. Elimina las repeticiones o conviértelas en párrafos.
• Cada línea del PDF se convierte en su propio elemento p; las líneas ajustadas no se unen en párrafos. Si necesitas que se reconstruyan los párrafos, PDF a Word une las líneas ajustadas según su espaciado.
• El h1 de la salida es el nombre de tu archivo, y el título es ese nombre sin la extensión, seguido de una línea que dice Converted with PDFTools.studio y una insignia con el número de páginas. Edítalos o elimínalos en el cuadro antes de copiar.
• Copiar HTML copia el cuadro tal como está, incluidos tus cambios; Descargar archivo guarda la versión generada originalmente, y Vista previa del documento la muestra en un marco. El archivo se llama como tu PDF con la extensión .html, y los archivos de más de 150 MB se rechazan antes de procesar nada.
• Para hacerlo al revés, HTML a PDF convierte HTML pegado, un archivo HTML o una página web pública en un PDF. Para notas o un repositorio, PDF a Markdown escribe el mismo texto como archivo .md.
• Las páginas que salen como marcadores de posición son escaneos. Cómo hacer que un PDF escaneado se pueda buscar explica cómo comprobar un archivo y añadir la capa de texto que lee esta herramienta.

Cómo funciona la herramienta PDF a HTML en tu navegador

pdf.js analiza el archivo en un worker obtenido de cdnjs.cloudflare.com y devuelve los fragmentos de texto de cada página con sus posiciones. El script redondea la posición vertical de cada fragmento y empieza una línea nueva cada vez que se desplaza más de 6 puntos, uniendo con un espacio los fragmentos de la misma línea. Después aplica la prueba de encabezado a cada línea, escapa los símbolos & y los ángulos, y escribe un h2 o un p con estilos en línea. Las líneas de cada página se envuelven en una sección con una etiqueta Page N of M, y una página sin fragmentos recibe en su lugar un marcador de posición en cursiva.

Las secciones se insertan en una plantilla de documento con un head que contiene el juego de caracteres, una etiqueta viewport, el título y un breve bloque de estilos, además de un encabezado que muestra el nombre del archivo y el número de páginas. Esa cadena se convierte en un Blob de tipo text/html. La tarjeta de resultado se genera a partir del Blob, y el script añade un textarea con el código fuente y un botón Copiar HTML que usa la API del portapapeles. Vista previa del documento carga el Blob en un marco mediante una URL de objeto temporal, y Descargar archivo lo guarda de la misma forma. La salida no contiene scripts ni hace referencia a archivos externos, y nada de tu PDF sale de la pestaña.

Preguntas frecuentes