Linux下使用pdf2htmlEX将pdf转换成html格式

项目上遇到需求：将 pdf 文件转换成 html 格式文件，供另外的服务做 html 解析从而获取文件内容信息，这里我采用的是 pdf2htmlEX 作为转换工具，效果不错。

推荐使用最便捷的方法，直接运行 docker 容器内的程序转换，避免部署工具所需要的环境等，节约很多时间。

先安装 docker 并配置 docker 服务自启动，参考文章：CentOS7安装Docker配置服务端和容器自启动

1. 直接运行docker进行转换

docker run -ti --rm -v `pwd`:/pdf bwits/pdf2htmlex pdf2htmlEX --zoom 1.3 test.pdf

2. 或者为docker命令添加别名

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

测试一下

pdf2htmlEX --zoom 1 test.pdf

效果跟前面的一样，转换效果不错，感谢插件作者。

3. 指定输出位置转换：

pdf2htmlEX --zoom 1 --dest-dir ./out test.pdf
参数：
    --zoom 缩放比例
    --dest-dir 输出目录
    test.pdf 待转换的文件

更多用法参考官方文档。

扩展一下

结合我之前的文章：CentOS下使用LibreOffice实现文档格式的转换，不难想到，对于 doc/docx 文档，我们可以先将其转换成 pdf 然后再继续转换成 html 。

doc/docx转pdf

soffice --headless --convert-to pdf ./1003437-1560257355.docx --outdir ./

pdf转html

docker run -it --rm -v `pwd`:/pdf --privileged=true bwits/pdf2htmlex pdf2htmlEX --zoom 1 1003437-1560257355.pdf

html解析为json

python /tools/parser/htmlParser.py 1003437-1560257355.html

这样我们就使用同一套解析程序兼容解析了 doc/docx/pdf ，在程序中使用运行docker命令时将-it去掉，将要转换的目录正确挂在到docker中并保证运行docker命令的用户对目录和文件有读写权限。