PDF → HTML

PDF 是什么

PDF 是 Adobe 提出的固定版式文档格式，它记录的是「在页面某个坐标上画什么」，而不是「这段文字属于哪一段」。因此无论在什么设备上打开，版面都完全一致，适合排版要求严格的场景（合同、论文、扫描件）。代价是它天生不适合重排：正文的换行往往只是视觉换行，抽取出来的文字可能带硬回车、分栏顺序错乱，扫描版更是只有图片、没有文字层。

HTML 是什么

HTML / XHTML 是网页的结构语言，也是 EPUB 内部真正使用的正文格式；.mhtml（MHTML）则是把网页及其全部资源（图片、CSS）打包成单个文件，常用于「另存为单个网页」。XML 是通用标记语言，FB2、OPF 等格式本身就是一种 XML。这一族本质上都是「带标签的文本」，标签决定结构，所以转成其他格式时保留多少结构，取决于转换工具对标签的理解程度。

PDF 转 HTML 需要注意什么

先从源格式抽出内容时

PDF 里的换行多半是「视觉换行」而不是段落结束：一个段落可能被切成 5 行、每行都是独立文本块。直接抽取会得到一堆硬回车，需要按行尾是否完整句子、行宽是否接近页宽来重新合并段落。扫描版 PDF 更是完全没有文字层，抽取结果为空白，必须先做 OCR。

写进目标格式时

生成 HTML 时，图片与样式是外链还是内嵌决定了它能否单文件分发。要「一个文件带走」，需要把资源内联（data URI）或改用 MHTML；否则移动文件就会丢图。同时保留语义化标签（h1–h6、p），这样后续再转 EPUB 时目录才不会丢。

两端格式交互带来的坑

• 版式要「打散重建」：PDF的段落、分栏、图表位置是为固定页面排的，转成可重排格式后这些位置信息没有意义，转换器只能按文字流重新拼接。结果是段落可能被并错、分栏可能串行、图表会跑到文字中间。转换后务必通读前几章，重点看对话分段和图表附近。
• 源是「一页一张整图」，而目标会重排：每张图会作为独立图片按顺序插入，文字层若不存在就只剩图片流。这种情况下转出的文件往往体积巨大、无法搜索，阅读体验反而比原格式差。
• 源文件没有章节概念（漫画按页、PDF 按页），而目标期望有目录。转换器只能按页或按固定长度机械切分，得到的目录没有语义 —— 如果不需要导航可以忽略，但不要指望它能自动识别出「章」。

转换后自检清单

1. 先用前 3 章试转，确认没有丢字、串行或错位，再整本转换。
2. 检查章节切分：目录条目数应与实际章数一致。
3. 随机翻 5 处，搜索书中一个人名，确认文本可被完整检索。
4. 确认插图数量与位置：尤其看图片有没有挤在章节末尾。
5. 补全书名、作者、语言；语言标签写错会导致排版（如中文断行）异常。

小说转换的特殊之处

小说是最常见、也最特殊的一类电子书：几百上千章、几乎没有图表、常常只有一份 TXT 源文件，中文源还经常带防盗乱码。下面几点是最容易踩、也最影响阅读体验的。

• 长篇小说动辄数百上千章，目录质量直接决定这本书能不能用。转换前先把章标题统一成一种可识别的写法（例如都写成「第X章 标题」并独占一行），否则目标格式里的目录会缺章、串章，甚至整本只剩一章。
• 分卷信息（「第一卷」「第二卷」）在多数转换里会被降级成普通标题，卷与章的层级关系随之丢失。如果你在意层级，转换后到编辑器里把卷标题提升一级，别让它和章标题平级。

PDF 转 HTML 的工具

下面这些工具都能完成这个方向的转换，按你的操作系统和文件数量挑一个即可。动手前建议先看上一节的注意事项 —— 顺序错了（比如该先 OCR 却直接转）往往要重来一遍。

常见问题

相关格式转换