我已经使用 pdf2htmlEX 将 pdf 转换为 html。选择多行时，当光标在两行之间移动时，选择会向上跳转。请有人帮助解决这个问题。

这个问题已经在这里提出了https://github.com/coolwanglu/pdf2htmlEX/issues/62但解决方案没有解决问题。需要帮助来解决这个问题。

蟒蛇2.6

我正在尝试解析我的 pdf 文件，一种方法是将其转换为 html 并提取标题及其段落。所以，我尝试了 pdf2htmlEX 并将我的 pdf 转换为 html 而不会干扰我的 pdf 格式......到目前为止，我很高兴但是当我尝试使用这样的命令访问我的标题时：

但是当我打开我的 html 文件时，它给了我不必要的东西以及我的文本，更重要的是，我的文本没有标题标签，只有一堆 div 和 span。

我什至尝试使用 BeautifulSoup 访问它

它没有给我任何东西，因为没有标签。我也试过 HTMLParser

从 HTMLParser 导入 HTMLParser

但他们都没有满足我的要求。我想要的只是从该 html 文件中提取每个标题及其所需的段落，这要求太多了... :p 我搜索了几乎每个站点并阅读了几乎所有内容，但我所有的努力都徒劳无功。请在这方面指导我...

现在我通过 pdf2htmlEx 将 pdf 转换为 html，

源文件pdf 21MB，转换后的html近900MB，转换命令：

有什么办法可以提高输出 html 的大小吗？

我在转换一些 pdf 文件时出错，它是：

我正在使用Windows最后一个可执行文件：

我正在测试它并在第 76 页失败，但如果我更改页面顺序，它仍然在第 76 页失败，即使我将其从文件中删除。即使使用命令也会失败： pdf2htmlEx test.pdf

并测试将其拆分为 10 页的文件，例如，它工作正常......但我不能使用它，我需要转换完整的 pdf。

所以这是一个相当奇怪的问题，我知道。我使用一个名为 的工具pdf2htmlEX，它将 PDF 转换为 HTML。到目前为止，结果非常令人印象深刻。在我转换为 HTML 的所有 PDF 中，我还没有看到一个错误。

使用这个 HTML，我需要用 C# 动态替换一些字符串。但是，我不能简单地说line.Replace("#SOME_STRING", "Another string")，虽然我#SOME_STRING在导出为 PDF 之前在文档中写了。为什么不呢，你可能会问？因为 的输出pdf2htmlEX可能看起来像这样：

看到那个带有_和_5类的空跨度标签了吗？是的，这使我无法替换我的话。该类_5只是有一些宽度（如width: 0.9889px）。

在这种情况下，我将如何#SOME_ST<span class="_ _5"></span>RING用其他东西代替？

以下是一些案例：

我有点迷路了，因为我无法删除所有_5元素，因为每次我更改文档中的某些内容时，该类都是随机的。

编辑：所以我基本上需要一种方法来从我自己的键值对中过滤掉 HTML 标记，这样我就可以替换#SOME_STRING -> SOMETHING_ELSE.

我从来没有见过这样的事情。我使用了一个名为 的工具pdf2htmlEX，它将 PDF 转换为 HTML，但我遇到了一个奇怪的问题。看这个截图：

看到第一个字符 ( W) 了吗？这是在新罗马时代。现在这是更奇怪的部分：

只有Wand'在 Times New Roman（2 个字形）中，其余的在 Libration Sans 中。这怎么可能？如何pdf2htmlEX为每个字符使用不同的字体？

请注意，如果我在其他任何地方写这些字符，它们都是无衬线字体（文档最初是 Verdana，所以这就是原因）。

任何线索为什么会发生这种情况以及我该如何解决？

我已经安装了 pdfminer，当我尝试运行时

没有错误显示和命令也没有在 Windows 中执行。请帮助我如何将真正的 pdf 文件转换为 html 文件。

谢谢。

恳请您就以下问题提供帮助：我正在使用 pdf2htmlEX 将我的 pdf 文件转换为 HTML。该工具在 WAMP 中运行良好；但是，当我在我的 Linux 服务器上实现它时，该工具无法正常工作。

我的PHP代码：

请注意，我已经测试了 exec 命令并且它已启用。此外，该目录是可重写的。

我正在从浏览器运行代码

非常感谢您的帮助。

谢谢你，拉沙

我正在使用 topdf2htmlEX将 pdf 文件转换为 html。之后我还从文件中提取文本。

问题：

我遇到一个文件，转换后的 html 中的文本不可读： https ://dspace.mit.edu/openaccess-disseminate/1721.1/101159

我使用的命令：

html 上的文本有很多空格和很多引号 -

[2]"M."Ha hn,"O."Bar bie ri,"FP."C ampa na,"R."K öt z,"R."G alla y,"A pp l."Ph ys ."A :"M a ter."S ci."Pro ce ss."8 2 "(2 00 6 )"

为 arg 设置其他值--tounicode会使文本变得乱码。

有一个使用这个库的在线工具，并且在那里生成的 html 很好，这使得它不是 pdf2htmlEX 错误，而是配置或版本问题。可能与 poppler 或 fontforge 有关。

版本：

还尝试使用支持该项目的新存储库并获得相同的结果，请参阅问题： https ://github.com/pdf2htmlEX/pdf2htmlEX/issues/92

据您所知，pdf2htmlEX 使用广泛的字符作为空格，例如 " ' ( ) +。因此，不能全部替换它们。

有什么方法可以使 pdf2htmlEX 不使用这些字符？

我使用了这个 Aptfile：

并且安装成功完成。我什至在 heroku bash 中检查了 pdf2htmlEX 的版本。

但是当我尝试转换真正的 PDF 文档时，我收到了这个错误：

我在其他网站上发现我需要运行“make install”来解决这个问题，但不确定 Heroku 是否可以。

任何帮助将不胜感激。谢谢