pdf2html - PDF批量转换为HTML工具

一个简单易用的工具，用于将PDF文件批量转换为HTML格式，基于pdf2htmlEX。

功能特性

批量转换：一次性转换目录中所有的PDF文件
递归搜索：支持递归搜索子目录中的PDF文件
命令行参数：灵活的命令行参数配置
Docker支持：提供Docker镜像，简化部署和使用
进度显示：清晰的转换进度和结果统计
错误处理：完善的错误处理和超时机制

技术栈

Python 3：主要开发语言
pdf2htmlEX：PDF转HTML的核心工具
Docker：容器化部署

安装和构建

本地安装

确保已安装Python 3和pdf2htmlEX
克隆或下载此项目

Docker构建

# 进入项目目录
cd pdf2html

# 构建Docker镜像
docker build -t pdf2html:latest .

或者使用docker-compose：

docker-compose build

使用方法

基本用法

本地使用

# 转换当前目录下的所有PDF文件
python main.py

# 显示帮助信息
python main.py --help

Docker使用

# 转换当前目录下的所有PDF文件
docker run --rm -v $(pwd):/app pdf2html:latest

# 显示帮助信息
docker run --rm pdf2html:latest --help

命令行参数

参数	简写	默认值	说明
`--input-dir`	`-i`	`.` (当前目录)	输入目录，包含PDF文件的目录
`--output-dir`	`-o`	`htmls`	输出目录，保存HTML文件的目录
`--recursive`	`-r`	`True`	递归搜索子目录中的PDF文件
`--no-recursive`	-	-	不递归搜索子目录
`--zoom`	`-z`	`1.3`	转换时的缩放比例
`--help`	`-h`	-	显示帮助信息

使用示例

1. 基本转换

转换当前目录下的所有PDF文件到默认的htmls目录：

# 本地使用
python main.py

# Docker使用
docker run --rm -v $(pwd):/app pdf2html:latest

2. 指定输入和输出目录

转换./pdfs目录中的PDF文件到./output目录：

# 本地使用
python main.py -i ./pdfs -o ./output

# Docker使用
docker run --rm -v $(pwd):/app pdf2html:latest -i /app/pdfs -o /app/output

3. 不递归搜索子目录

只转换当前目录的PDF文件，不搜索子目录：

# 本地使用
python main.py --no-recursive

# Docker使用
docker run --rm -v $(pwd):/app pdf2html:latest --no-recursive

4. 自定义缩放比例

使用1.5倍缩放比例转换PDF：

# 本地使用
python main.py --zoom 1.5

# Docker使用
docker run --rm -v $(pwd):/app pdf2html:latest --zoom 1.5

5. 组合使用参数

组合使用多个参数，实现更精确的控制：

# 本地使用
python main.py -i ./documents -o ./converted --no-recursive --zoom 2.0

# Docker使用
docker run --rm -v $(pwd):/app pdf2html:latest -i /app/documents -o /app/converted --no-recursive --zoom 2.0

创建便捷别名（推荐）

为了简化使用，可以创建一个别名：

# Linux/Mac
alias pdf2html='docker run --rm -v $(pwd):/app pdf2html:latest'

# Windows PowerShell
function pdf2html { docker run --rm -v ${PWD}:/app pdf2html:latest $args }

然后就可以像使用普通命令一样使用：

# 显示帮助
pdf2html --help

# 转换当前目录
pdf2html

# 指定参数
pdf2html -i ./pdfs -o ./htmls

Docker高级用法

使用docker-compose

修改docker-compose.yml中的command参数（如果需要）

运行：

# 构建并运行
docker-compose up --build

# 或者先构建，再运行
docker-compose build
docker-compose run pdf2html

挂载多个目录

如果需要访问多个目录中的PDF文件：

docker run --rm \
  -v /path/to/pdfs1:/app/pdfs1 \
  -v /path/to/pdfs2:/app/pdfs2 \
  -v /path/to/output:/app/output \
  pdf2html:latest \
  -i /app/pdfs1 \
  -o /app/output

注意事项

文件路径：在Docker中使用时，所有路径都应该是容器内的路径，通常以/app开头
权限：确保挂载的目录有适当的读写权限
大文件：转换大型PDF文件可能需要较长时间，默认超时时间为5分钟
依赖项：pdf2htmlEX可能需要一些系统依赖库，Docker镜像已包含所有必要依赖

常见问题

Q: 如何处理转换失败的文件？

A: 程序会显示转换失败的文件名称和错误信息。您可以检查这些PDF文件是否损坏，或者尝试手动转换。

Q: 转换后的HTML文件在哪里？

A: 默认情况下，HTML文件会保存在当前目录的htmls子目录中。您可以使用--output-dir参数指定其他位置。

Q: 如何只转换新添加的PDF文件？

A: 程序会自动跳过已存在的HTML文件，所以如果您再次运行，只会转换新添加的PDF文件。

Q: 支持哪些PDF版本？

A: 支持大多数标准PDF文件，但某些特殊格式（如加密PDF）可能无法转换。

项目结构

pdf2html/
├── main.py              # 主程序文件
├── Dockerfile           # Docker构建文件
├── docker-compose.yml   # Docker Compose配置文件
├── README.md            # 项目说明文档
└── .dockerignore        # Docker忽略文件

许可证

联系方式

如有问题或建议，请联系：liuyuqi.gov@msn.cn

README.md 5.3 KB History Raw