Convertir PDF a HTML en .NET

Visión general

Este artículo explica cómo convertir PDF a HTML usando C#. Cubre estos temas.

Formato: HTML

El siguiente fragmento de código también funciona con la biblioteca Aspose.PDF.Drawing.

Convertir PDF a HTML

Aspose.PDF para .NET proporciona muchas características para convertir varios formatos de archivo en documentos PDF y convertir archivos PDF en varios formatos de salida. Aspose.PDF para .NET proporciona muchas características para convertir varios formatos de archivo en documentos PDF y convertir archivos PDF en varios formatos de salida.

Aspose.PDF para .NET admite las características para convertir un archivo PDF en HTML. Las principales tareas que puede realizar con la biblioteca Aspose.PDF se enumeran:

convertir PDF a HTML;
dividir la salida en HTML de varias páginas;
especificar carpeta para almacenar archivos SVG;
comprimir imágenes SVG durante la conversión;
especificar la carpeta de imágenes;
crear archivos posteriores solo con contenido del cuerpo;
renderizado de texto transparente;
renderizado de capas de documentos PDF.

Prueba a convertir PDF a HTML en línea

Aspose.PDF para .NET te presenta la aplicación gratuita en línea “PDF to HTML”, donde puedes probar a investigar la funcionalidad y la calidad con la que funciona.

Aspose.PDF para .NET proporciona un código de dos líneas para transformar un archivo PDF fuente a HTML. Aspose.PDF para .NET proporciona un código de dos líneas para transformar un archivo PDF fuente a HTML.

Pasos: Convertir PDF a HTML en C#

Crear una instancia del objeto Document con el documento PDF fuente.
Guardarlo en formato SaveFormat.Html llamando al método Document.Save().

// Para ejemplos completos y archivos de datos, por favor vaya a https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// La ruta al directorio de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_DocumentConversion();

// Abrir el documento PDF fuente
Document pdfDocument = new Document(dataDir + "PDFToHTML.pdf");

// Guardar el archivo en formato de documento MS
pdfDocument.Save(dataDir + "output_out.html", SaveFormat.Html);

Dividir salida en HTML de varias páginas

Al convertir un archivo PDF grande con varias páginas a formato HTML, la salida aparece como una sola página HTML. Al convertir un archivo PDF grande con varias páginas al formato HTML, la salida aparece como una única página HTML.

// Para ejemplos completos y archivos de datos, por favor visita https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// La ruta al directorio de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_DocumentConversion();

// Abrir el documento PDF fuente
Document pdfDocument = new Document(dataDir + "PDFToHTML.pdf");

// Instanciar el objeto de opciones de guardado HTML
HtmlSaveOptions htmlOptions = new HtmlSaveOptions();

// Especificar dividir la salida en múltiples páginas
htmlOptions.SplitIntoPages = true;

// Guardar el documento
pdfDocument.Save(@"MultiPageHTML_out.html", htmlOptions);

Especificar Carpeta para Almacenar Archivos SVG

Durante la conversión de PDF a HTML, es posible especificar la carpeta en la que se deben guardar las imágenes SVG. Durante la conversión de PDF a HTML, es posible especificar la carpeta en la que se deben guardar las imágenes SVG.

// Cargar el archivo PDF
Document doc = new Document(dataDir + "PDFToHTML.pdf");

// Instanciar las opciones de guardado de HTML
HtmlSaveOptions newOptions = new HtmlSaveOptions();

// Especificar la carpeta donde se guardan las imágenes SVG durante la conversión de PDF a HTML
newOptions.SpecialFolderForSvgImages = dataDir;

// Guardar el archivo de salida
doc.Save(dataDir + "SaveSVGFiles_out.html", newOptions);

Comprimir imágenes SVG durante la conversión

Para comprimir imágenes SVG durante la conversión de PDF a HTML, por favor intente usar el siguiente código:

// Para ejemplos completos y archivos de datos, por favor vaya a https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Crear HtmlSaveOption con la característica probada
HtmlSaveOptions newOptions = new HtmlSaveOptions();

// Comprimir las imágenes SVG si las hay
newOptions.CompressSvgGraphicsIfAny = true;

Especificar la carpeta de imágenes

También podemos especificar la carpeta en la que se guardarán las imágenes durante la conversión de PDF a HTML: También podemos especificar la carpeta donde se guardarán las imágenes durante la conversión de PDF a HTML:

// Para ejemplos completos y archivos de datos, por favor visite https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Crear HtmlSaveOption con la característica probada
HtmlSaveOptions newOptions = new HtmlSaveOptions();

// Especificar la carpeta separada para guardar imágenes
newOptions.SpecialFolderForAllImages = dataDir;

Crear Archivos Subsecuentes Solo con Contenidos del Cuerpo

Recientemente, nos pidieron introducir una característica donde los archivos PDF se convierten a HTML y el usuario puede obtener solo los contenidos de la etiqueta <body> para cada página. Esto produciría un archivo con CSS, detalles de <html>, <head> y todas las páginas en otros archivos solo con contenidos de <body>.

Para cumplir con este requisito, se introdujo una nueva propiedad, HtmlMarkupGenerationMode, en la clase HtmlSaveOptions.

Con el siguiente fragmento de código simple, puedes dividir el HTML de salida en páginas. Con el siguiente fragmento de código simple, puedes dividir la salida HTML en páginas.

// La ruta al directorio de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_DocumentConversion();

Document doc = new Document(dataDir + "PDFToHTML.pdf");
           
HtmlSaveOptions options = new HtmlSaveOptions();
// Esta es la configuración probada
options.HtmlMarkupGenerationMode = HtmlSaveOptions.HtmlMarkupGenerationModes.WriteOnlyBodyContent;
options.SplitIntoPages = true;

doc.Save(dataDir + "CreateSubsequentFiles_out.html", options);

Renderizado de texto transparente

En caso de que el archivo PDF de entrada contenga textos transparentes sombreados por imágenes en primer plano, entonces podría haber problemas de renderizado de texto. Por lo tanto, para abordar tales escenarios, se pueden utilizar las propiedades SaveShadowedTextsAsTransparentTexts y SaveTransparentTexts.

// Para ejemplos completos y archivos de datos, por favor ve a https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// La ruta al directorio de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_DocumentConversion();

Document doc = new Document(dataDir + "PDFToHTML.pdf");
HtmlSaveOptions htmlOptions = new HtmlSaveOptions();
htmlOptions.SaveShadowedTextsAsTransparentTexts = true;
htmlOptions.SaveTransparentTexts = true;
doc.Save(dataDir + "TransparentTextRendering_out.html", htmlOptions);

Renderización de capas de documentos PDF

Podemos renderizar las capas de documentos PDF en un elemento de tipo de capa separado durante la conversión de PDF a HTML:

// Para ejemplos completos y archivos de datos, por favor visite https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// La ruta al directorio de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_DocumentConversion();

Document doc = new Document(dataDir + "PDFToHTML.pdf");
// Instanciar objeto de opciones de guardado HTML
HtmlSaveOptions htmlOptions = new HtmlSaveOptions();

// Especificar para renderizar las capas del documento PDF por separado en HTML de salida
htmlOptions.ConvertMarkedContentToLayers = true;

// Guardar el documento
doc.Save(dataDir + "LayersRendering_out.html", htmlOptions);

Vea también

Este artículo también cubre estos temas. Los códigos son los mismos que arriba.

Formato: HTML

Convertir HTML a PDF en .NET Convertir varios formatos de imágenes a PDF en .NET