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：

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';  }

/*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

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

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：

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

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';   }  }

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

来自：http://blog.csdn.net/crazypandariy/article/details/17663731