Het converteren van een PDF naar HTML is technisch mogelijk, maar het resultaat varieert enorm, afhankelijk van wat de PDF bevat en wat u met de HTML wilt doen. Voor het extraheren van leesbare tekst uit een eenvoudig document werkt conversie goed. Om een complexe lay-out als webpagina te behouden, moet de uitvoer doorgaans aanzienlijk worden opgeschoond voordat deze bruikbaar is.
Waarom PDF naar HTML complexer is dan andere conversies
PDF maakt gebruik van vaste positionering: elk element heeft een exacte locatie op de pagina, gedefinieerd in coördinaten. HTML maakt gebruik van flow-indeling: elementen worden gestapeld en omwikkeld op basis van regels. Converteren tussen de twee betekent dat je inhoud neemt die is ontworpen voor een specifiek paginaformaat met specifieke elementposities en deze converteert naar iets dat bedoeld is om zich aan te passen aan elke schermbreedte. De converter moet beslissen of hij de vaste lay-out wil reproduceren (met behulp van absolute CSS-positionering, die er identiek uitziet maar de responsiviteit verbreekt) of de semantische structuur wil extraheren (die de lay-outgetrouwheid verliest maar beter werkt als webpagina).
De meeste PDF-naar-HTML-converters zijn standaard ingesteld op het extraheren van tekst in leesvolgorde met toegepaste basisopmaak. Het resultaat is bruikbaar voor het publiceren van tekstinhoud op internet, maar lijkt in niets op de originele PDF-indeling.
Tools die de conversie afhandelen
Adobe Acrobat Pro exporteert naar HTML via Bestand → Exporteren naar → HTML-webpagina. Het produceert een map met een HTML-bestand en afzonderlijke afbeeldingsbestanden voor eventuele afbeeldingen. De uitvoer behoudt een bepaalde lay-outstructuur, maar is sterk afhankelijk van absolute positionering en vaste breedtes die zich niet aanpassen aan mobiele schermen.
Voor een tekstgerichte conversie zonder Acrobat is het een praktische oplossing om de PDF eerst naar Word te converteren met behulp van een PDF Converter en vervolgens het Word-document op te slaan als gefilterde HTML. De HTML-uitvoer van Word is niet schoon (het bevat veel eigen markeringen), maar is wel leesbaar en bewerkbaar. Het openen van die HTML in een code-editor en het handmatig opschonen van de opmaak, of het rechtstreeks in een CMS plakken van de tekstinhoud, is vaak praktischer dan welke directe PDF-naar-HTML-route dan ook.
Pdf2htmlEX is een open source-tool die hifi-HTML-uitvoer produceert door de PDF-indeling zorgvuldig opnieuw te creëren met behulp van CSS. De visuele nauwkeurigheid is indrukwekkend, maar de HTML die het genereert is complex en niet bedoeld om te bewerken; het is geschikt voor het inbedden van een PDF-achtige weergave in een webpagina in plaats van voor het maken van bewerkbare webinhoud.
Als het doel webpublicaties zijn
Als het einddoel is om de PDF-inhoud te publiceren als een echte webpagina (iets dat een zoekmachine kan indexeren, iets dat op mobiel werkt, iets dat past bij het ontwerp van uw site) levert een directe PDF-naar-HTML-conversie vrijwel nooit een bruikbaar resultaat op zonder veel handmatig werk. Het betrouwbaardere pad is om de tekstinhoud uit de PDF te extraheren, deze in uw CMS of site-editor te plakken en de opmaak handmatig toe te passen met behulp van de bestaande stijlen en sjablonen van uw site.
Voor lange documenten waarbij het handmatig opnieuw formatteren te tijdrovend is, geeft het converteren naar Word u eerst een schoner tussenformaat waaruit u gemakkelijker kunt kopiëren en plakken dan onbewerkte PDF-tekst. De Word-conversie zorgt voor alineadetectie, kopidentificatie en basisopmaak, zodat u minder tijd hoeft te besteden aan het herstructureren van de inhoud voordat u deze publiceert.
Insluiten van PDF-inhoud in een webpagina zonder conversie
Als het uw doel is om een PDF op een website weer te geven in plaats van deze naar HTML te converteren, is insluiten vaak beter dan converteren. Door het PDF-bestand te hosten en ernaar te linken, of het in een iframe in te sluiten met behulp van een PDF-viewer zoals PDF.js, blijft de oorspronkelijke opmaak exact behouden en is er helemaal geen conversie nodig. Bezoekers zien de PDF zoals deze is ontworpen en u vermijdt alle problemen met de conversiekwaliteit. Het nadeel is dat ingebedde PDFs niet zo goed door zoekmachines worden geïndexeerd als door native HTML-inhoud.