Как конвертировать PDF в HTML для просмотра в браузере

Инструмент «PDF в HTML» выдаёт один файл .html с текстом каждой страницы и ссылками на страницы. Опция «Встраивать ресурсы» добавляет картинку каждой страницы прямо в файл, но сильно увеличивает его. Скан без OCR даст «(пустая страница)».

Иногда документ удобнее открыть в браузере, чем в PDF-просмотрщике: найти слово через Ctrl+F, скопировать абзац, переслать файл, который откроется на любом устройстве. Для этого есть инструмент PDF в HTML: он достаёт текст из PDF и раскладывает его по страницам в одном HTML-файле.

Важно заранее понимать, что получится. Это копия для чтения и поиска, а не свёрстанная веб-страница. Ниже — что именно попадает в файл, как работают две настройки инструмента, что делать со сканами и как быстро проверить результат.

Что получится на выходе

Результат — один файл `.html`, а не ZIP с папкой картинок. По умолчанию он называется `converted_` плюс имя исходного PDF; другое имя можно задать в поле «Имя выходного файла». Стили и картинки (если они включены) лежат внутри самого файла, поэтому его можно открыть без интернета, приложить к письму или переложить на флешку — ничего не потеряется.

Внутри файла каждая страница PDF превращается в отдельный блок с заголовком «Страница 1», «Страница 2» и так далее. Текст страницы показан моноширинным шрифтом и сохраняет переносы строк и отступы оригинала. Подписи «Страница N» и служебные пометки пишутся на языке, на котором открыт сайт.

Сначала проверьте, есть ли в PDF текст

Инструмент не распознаёт буквы на картинках — он берёт готовый текстовый слой PDF. Проверить его просто: откройте PDF, выделите предложение и вставьте в любой текстовый редактор. Если вставились нормальные слова, текстовый слой есть. Если ничего не выделяется или вставляется набор случайных символов, в HTML будет то же самое.

Типичный случай — скан или фото документа. Такой PDF сконвертируется без ошибки, но в каждом блоке вместо текста будет стоять «(пустая страница)». Выхода два:

• Сначала выполнить OCR PDF: инструмент добавит к скану невидимый текстовый слой. Скачайте распознанный PDF и уже его загрузите в «PDF в HTML». Строки распознанного текста сохранятся, а выравнивание пробелами — нет: колонки и столбцы таблиц будут разделены одиночными пробелами. Подробно о распознавании — в статье как распознать текст в скане PDF.
• Если текст не нужен, а нужно лишь прочитать скан в браузере, включите «Встраивать ресурсы». Страницы появятся картинками, но файл станет намного тяжелее, а поиск по словам работать не будет.

Пошаговая конвертация

1. Откройте «PDF в HTML» и перетащите PDF в область загрузки или нажмите «или выберите на устройстве». За один запуск обрабатывается один файл. 2. В блоке «Параметры» при необходимости впишите имя результата в «Имя выходного файла». 3. Решите, нужны ли картинки страниц, — за это отвечает «Встраивать ресурсы» (по умолчанию выключено). 4. Оставьте или снимите «Включать навигацию» (по умолчанию включено). 5. Нажмите «Обработать файл», дождитесь окончания и нажмите «Скачать».

Если PDF защищён паролем на открытие, обработка остановится с сообщением о пароле. Сначала снимите защиту — как это сделать, если вы знаете пароль, описано в статье как снять пароль с защищённого PDF. Ограничения на размер файла и число страниц показаны прямо на странице инструмента.

Текстовый вариант: «Встраивать ресурсы» выключено

Так инструмент работает по умолчанию, и для большинства задач этого достаточно: файл лёгкий, текст можно искать, выделять и копировать. Но не ждите восстановления исходного оформления страниц. Текст раскладывается примерно так, как стоял на листе, поэтому:

• две колонки идут рядом в одних и тех же строках: сначала строка левой колонки, потом через пробелы строка правой;
• столбцы таблицы держатся только на пробелах, это не настоящая HTML-таблица;
• колонтитулы и номера страниц остаются внутри текста каждой страницы.

На широком экране такая раскладка читается неплохо. На телефоне длинные строки переносятся, и колонки могут перемешаться. Если документ свёрстан в две колонки и его будут читать с телефона, проверьте одну такую страницу заранее.

Картинки страниц: когда включать «Встраивать ресурсы»

Название опции не самое понятное: «ресурсы» здесь — это картинки страниц. При включении над текстом каждой страницы появляется её изображение в формате PNG, вшитое прямо в HTML. Текст под картинкой остаётся, так что поиск и копирование работают там, где у PDF есть текстовый слой.

Это полезно, когда смысл держится на внешнем виде: схема подключения в инструкции, чертёж, печать и подпись, формулы, сложная таблица. Например, в инструкции к оборудованию схема на второй странице в текстовом варианте не появится вовсе — только подписи к ней.

Цена — размер. Каждая картинка добавляет данные, и файл получается намного больше текстового варианта. Многостраничный документ с картинками может не пройти по лимиту вложений в почте или долго открываться на слабом телефоне. Сама картинка — просто изображение: схема не станет редактируемой веб-графикой.

Навигация по страницам

«Включать навигацию» добавляет вверху файла панель ссылок «Страница 1», «Страница 2» и так далее. Панель закреплена: при прокрутке она остаётся наверху экрана, и к нужной странице можно перейти в один щелчок.

Ссылки ведут именно к страницам, а не к главам: оглавление исходного документа не восстанавливается. В документе на сотни страниц панель разрастается на несколько строк и на телефоне занимает заметную часть экрана. В таком случае снимите «Включать навигацию» и ищите нужное место через поиск браузера.

Проверка результата и частые ошибки

Откройте скачанный файл двойным щелчком — он откроется в браузере по умолчанию. Затем:

• нажмите Ctrl+F (на Mac — Cmd+F) и найдите знакомое слово из середины документа;
• выделите и скопируйте абзац, вставьте его в редактор;
• пролистайте страницу с таблицей или колонками;
• если навигация включена, перейдите по ссылкам в начало, середину и конец документа.

Что обычно идёт не так и как это распознать:

• «(пустая страница)» на всех или почти всех страницах — это скан без текстового слоя, нужен OCR;
• «(пустая страница)» только на отдельных страницах — там либо действительно пустой лист, либо вставленная картинка, например отсканированное приложение;
• слова двух колонок перемешаны — особенность раскладки, сверяйтесь с картинкой страницы или с PDF;
• файл весит слишком много — сконвертируйте заново с выключенной опцией «Встраивать ресурсы».

Если нужен только текст без разметки, удобнее PDF в текст: он сохраняет обычный `.txt`.

Перед публикацией на сайте

Сконвертированная копия не становится готовой веб-страницей. Заголовки в ней — «Страница N», а не разделы документа; таблицы держатся на пробелах; у картинок страниц подпись тоже «Страница N», без описания содержимого. Язык страницы в коде совпадает с языком сайта, на котором вы конвертировали, а не с языком документа.

Для публикации перенесите текст в редактор сайта, расставьте настоящие заголовки, соберите таблицы, опишите изображения и проверьте вид на маленьком экране. Исходный PDF сохраните для сверки, а HTML назовите понятно, чтобы получатель не принял его за новую редакцию документа.