Python pdf转换为html

描述：

最近在工作中遇到 pdf转换为html,找了很多个库，最后发现两个好用的pdf转html的库，特此记录

1.方法一：使用Spire.PDF for Python

Spire.PDF是收费的,但是pdf转换为html的效果是最好的

 pip install Spire.PDF

from spire.pdf.common import *
from spire.pdf import *


# spire.pdf pdf转换为html
def spire_convert_html(pdf_path, html_path):
    try:
        # 创建一个 PdfDocument 类的对象
        doc = PdfDocument()
        # 加载一个 PDF 文档
        doc.LoadFromFile(pdf_path)
        # 将文档转换为 HTML 格式并保存
        doc.SaveToFile(html_path, FileFormat.HTML)
        doc.Close()
    except Exception as e:
        print(e)

2.方法二：使用PyMuPDF(fitz) pdf转换为html

PyMuPDF是开源免费的，效果还可以

tqdm是Python进度条库，若不用可以不安装该库

pip install PyMuPDF
pip install tqdm  

import fitz
from tqdm import tqdm


# PyMuPDF(fitz) pdf转换为html
def fitz_convert_html(pdf_path, html_path):
    try:
        doc = fitz.open(pdf_path)
        html_content = ("<!DOCTYPE html><html lang=\"zh-CN\"><head><meta "
                        "charset=\"UTF-8\"><title>Title</title></head><body>")
        # tqdm是Python进度条库, 若不用: for page in doc
        for page in tqdm(doc):
            html_content += page.get_text('html')
            html_content += "</body></html>"
            # 保存html
        with open(html_path, 'w', encoding='utf8') as f:
            f.write(html_content)
    except Exception as e:
        print(e)