命令行/Python使用pdf2htmlEX将PDF转HTML

我们使用pdf2htmlEX这个库将PDF转为HTML，并通过命令行、python控制它

pdf2htmlEX相关资料

pdf2htmlEX Github 主页：https://github.com/coolwanglu/pdf2htmlEX

相关论文：
Wang, Lu, and Wanmin Liu. “Online publishing via pdf2htmlEX.” TUGboat 34.3 (2013): 313-324.

Mac/docker安装

Mac直接使用：brew install pdf2htmlEX即可

docker安装，使用：

docker search pdf2htmlEX

可以看到能使用的docker image，我们选择下载最多star的那个docker：

NAME                                      DESCRIPTION                                     STARS     OFFICIAL   AUTOMATED
bwits/pdf2htmlex                          Smallest pdf2htmlEX container and easiest wa…   27                   [OK]
bwits/pdf2htmlex-alpine                   pdf2htmlEX in alpine                            15                   [OK]
klokoy/pdf2htmlex                                                                         7                    [OK]

这里我们使用命令：

docker pull bwits/pdf2htmlex

命令行PDF转HTML

首先运行：

alias pdf2htmlEX='docker run -ti --rm -v `pwd`:/pdf bwits/pdf2htmlex pdf2htmlEX'

然后使用命令pdf2htmlEX 测试的pdf文件.pdf即可生成目标HTML文件：

wget http://www.africau.edu/images/default/sample.pdf
pdf2htmlEX sample.pdf

更多用法请参考：https://github.com/coolwanglu/pdf2htmlEX/wiki/Quick-Start

Python PDF转HTML

代码也很简单：

def convert_pdf_to_html(filename):
    import subprocess
    subprocess.call("docker run --rm -v `pwd`:/pdf bwits/pdf2htmlex pdf2htmlEX {}".format(filename), shell=True)


if __name__ == '__main__':
    convert_pdf_to_html("sample.pdf") # 这里是文件的名称传递进去，如果代码与文件不是一个路径，需要用xx/xx/sample.pdf的路径

其中：

运行linux命令可以参考：https://linuxhint.com/execute_shell_python_subprocess_run_method/