pdf转html本质是内容提取而非格式还原，需先明确需求：pdf2htmlex适合生成可读网页，pdfminer.six适合开发者提取结构化文本，浏览器打印为html是零配置快捷方案。
PDF 转 HTML 本质是「内容提取」而非「格式还原」
PDF 不是网页，它没有语义结构，只有绝对定位的文本块和图形。直接转成 html 文件后，你看到的多半是错位的文字、丢失的换行、乱码的中文字体，甚至整页变成一张图——这不是工具不行，而是 PDF 本身就不适合当网页源。真正能用的转换，得先判断：你要的是「可读网页」还是「可编辑源码」？前者优先选 pdf2htmlEX 或浏览器打印为 HTML；后者才考虑 pdfminer 或 PyPDF2 解析。
用 pdf2htmlEX 生成带样式的 HTML（推荐给普通用户）
它能把 PDF 渲染成接近原貌的 HTML + CSS，支持中文、保留链接和目录，生成结果可直接双击打开。但注意：pdf2htmlEX 不维护了，最新稳定版是 0.18.1，macOS 需用 brew install pdf2htmlEX（加 --with-poppler-data 否则中文乱码），Linux 用户别用 Ubuntu 默认源里的老版本。
- 基础命令：
pdf2htmlEX --zoom 1.3 input.pdf output.html（--zoom补偿缩放，不然文字太小） - 如果输出空白或字体缺失，加参数：
--fallback-font "Noto Sans CJK SC" - 不支持加密 PDF；遇到「Failed to load page」错误，先用
qpdf --decrypt input.pdf decrypted.pdf解密 - 生成的 HTML 里内联了大量 CSS 和字体 base64，文件体积大，不适合直接扔进 CMS
用 Python 的 pdfminer.six 提取纯文本再手写 HTML（适合开发者）
当你需要控制段落逻辑、过滤页眉页脚、或把 PDF 当作数据源时，pdfminer.six 是更可靠的选择。但它不生成 HTML 标签，只给你文本坐标和字体信息，你得自己判断哪段是标题、哪段是列表。
- 安装：
pip install pdfminer.six - 简单提取：
pdf2txt.py -p 1-5 -O utf-8 input.pdf > content.txt（-p指定页码范围） - 想保留结构？用
LTTextBoxHorizontal类遍历文本框，按y0坐标排序模拟阅读顺序——但 PDF 排版混乱时，这步极易出错 - 表格基本无法自动识别；遇到扫描版 PDF，必须先过 OCR（
pytesseract+pdf2image）
浏览器「打印为 HTML」是个被低估的快捷方案
Chrome / Edge 地址栏输入 chrome://print/，加载 PDF 后点「目标打印机」选「另存为 PDF」→ 改后缀为 .html？不行。正确做法是：用开发者工具（F12）切换到「Rendering」→ 勾选「Emulate CSS media type」→ 选 screen，再右键页面 → 「Save as…」→ 保存为 Webpage, complete。这样得到的 HTML 有基本样式，且兼容性好。
立即学习“前端免费学习笔记（深入）”；
- 优点：零配置、支持 JavaScript 交互的 PDF（比如表单）、自动处理字体嵌入
- 缺点：页边距和分页会失真；多页 PDF 会生成多个 HTML 文件（
index.html+page_2.html等） - 别用「另存为 Webpage, HTML only」——会丢掉所有样式和图片引用
最麻烦的从来不是转换动作本身，而是 PDF 的来源：扫描件、加密文档、LaTeX 生成的复杂公式、含 SVG 图表的商业报告……这些都会让任何工具在第二步就卡住。动手前，先用 pdfinfo input.pdf 看看是否加密、是否含文本层，比盲目试工具省两小时。
