Конвертирование pdf в html

Автор: serge.

Данный материал может пригодится для организации веб-доступа к большому архиву pdf документов. Причем исключается необходимость передачи самого pdf документа клиенту.
Для осуществления этого понадобится утилита pdftohtml, которая имеется в портах FreeBSD.


[serge@server /usr/ports]$ make search name=pdftohtml Port: pdftohtml-0.36_4 Path: /usr/ports/textproc/pdftohtml Info: A command-line tool for converting pdf-files into html Maint: erwin@FreeBSD.org B-deps: R-deps: expat-2.0.0_1 fontconfig-2.3.2_3,1 freetype2-2.1.10_3 ghostscript-gnu-7.07_15 gsfonts-8.11_2 jpeg-6b_4 libdrm-2.0.1_1 pkgconfig-0.20 png-1.2.8_3 xorg-libraries-6.9.0 WWW: http://sourceforge.net/projects/pdftohtml/

Устанавливаем pdftohtml. Установка из портов удобна тем, что проверяется наличие всех необходимых пакетов для работы программы. И если чего-то нет, то это так же будет установлено автоматически.


[serge@server /usr/ports]$ cd /usr/ports/textproc/pdftohtml [serge@server /usr/ports]$ make install clean

Для того чтобы иметь возможность создавать html документы в кодировке koi8-r дополнительно устанавливаем языковой пакет для xpdf.


[serge@server /usr/ports]$ cd /tmp [serge@server /tmp]$ wget ftp://ftp.foolabs.com/pub/xpdf/xpdf-cyrillic.tar.gz [serge@server /tmp]$ tar xzf xpdf-cyrillic.tar.gz [serge@server /tmp]$ cd xpdf-cyrillic

Необходимо скопировать файлы кодировок в /usr/local/share/xpdf/cyrillic. У меня такой диры не оказалось, значит создаем ее.


[ /tmp/xpdf-cyrillic]$ mkdir -p /usr/local/share/xpdf/cyrillic [ /tmp/xpdf-cyrillic]$ cp Bulgarian.nameToUnicode /usr/local/share/xpdf/cyrillic/ [ /tmp/xpdf-cyrillic]$ cp KOI8-R.unicodeMap /usr/local/share/xpdf/cyrillic/

Так же необходимо добавить содержимое файла add-to-xpdfrc в файл конфигурации xpdfrc. Такой файл оказался в /usr/X11R6/etc/xpdfrc, но все в нем было закоментировано. Рекомендуемое место расположения конфига xpdfrc - это /usr/local/etc. Туда его и создаем.


[serge@ /tmp/xpdf-cyrillic]$ cat add-to-xpdfrc > /usr/local/etc/xpdfrc

Пробуем. Создает в директории вэб-сервера следующий каталог. В моем случае так:


[serge@ /tmp/xpdf-cyrillic]$ mkdir /usr/local/www/apache/data/testpdf [serge@ /tmp/xpdf-cyrillic]$ cd /usr/local/www/apache/data/testpdf [serge@ /usr/local/www/apache/data/testpdf]$ pdftohtml -q -c -enc KOI8-R -dev jpeg \ ? -noframes -nomerge /data/eBooks/test.pdf ./test.html

-q - не выводит сообщения и ошибки (удобно при работе из php)
-с - создание комплексного документа (с изображениями)
-enc KOI8-R - кодировка html документа
-dev jpeg - формат для изображений
-nomerge - не соединять параграфы (учитывает отступы от обзацев)
-noframes - html страница без фреймов (имхо так удобнее читать)
/data/eBooks/test.pdf - откуда брать pdf
./test.html - как сохранять html
Проверяем
http://localhost/testpdf/test.html
Все должно работать.
PHP скрипт для конвертирования pdf на лету с подсчетом времени работы.


<?php function time_start() { $mtime = microtime(); $mtime = explode(" ",$mtime); $mtime = $mtime[1] + $mtime[0]; $start_time = $mtime; return $start_time; } function time_end() { $mtime2 = microtime(); $mtime2 = explode(" ",$mtime2); $mtime2 = $mtime2[1] + $mtime2[0]; $end_time = $mtime2; return $end_time; } $t1 = time_start(); system("pdftohtml -q -c -enc KOI8-R -dev jpeg -noframes -nomerge /data/eBooks/test.pdf ./test.html"); include("test.html"); $t2 = time_end(); $time = substr($t2 - $t1,0,4); echo "Время работы скрипта ".$time." сек"; ?>

В скрипте показан только сам процесс конвертирования pdf в html и вывод страницы пользователю. Далее уже каждый дополнит под свои нужды.
Хотелось бы отметить, что время конвертирования с ключем -c на много больше чем без него. Для документа объемом 50 листов формата А5 с изображениями составляет почти 20 сек (AthlonXP 2.5ГГц), без -с всего 4 секунды.
Все изложенное в статье проверялось на ОС FreeBSD 6.1, apache 2.2.2, php 5.1.4.

  Этот информационный блок появился по той простой причине, что многие считают нормальным, брать чужую информацию не уведомляя автора (что не так страшно), и не оставляя линк на оригинал и автора — что более существенно. Я не против распространения информации — только за. Только условие простое — извольте подписывать автора, и оставлять линк на оригинальную страницу в виде прямой, активной, нескриптовой, незакрытой от индексирования, и не запрещенной для следования роботов ссылки.
  Если соизволите поставить автора в известность — то вообще почёт вам и уважение.

© lissyara 2006-10-24 08:47 MSK