在不丢失任何格式的情况下将 PDF 转换为 HTML

Question

我正在开发一个 Python Flask webapp，我正在尝试将一些用户上传的 pdf 转换为格式良好的 HTML，例如在iframe显示 pdf 时生成的 HTML。

到目前为止，我尝试了几件事：

• pdfminer.six库，产生了凌乱的 HTML，
• 当使用 pdf.js 渲染 PDF 时，试图获取生成的 HTML，这显然隐藏在Shadow DOM 中，无法访问其内部 HTML
• 最后我遇到了pdf2htmlEX ( https://github.com/pdf2htmlEX/pdf2htmlEX )，它产生了我想要的东西。

在本地，此解决方案效果很好，但是在生产状态 (Heroku) 中，我无法正确安装它。 该项目已被弃用，文档有限且糟糕。 这个问题与破坏的依赖关系有关。

那么，如何使用 Python 或任何其他工具有效地将 PDF 转换为 HTML 而不会丢失任何格式？

非常感谢。

如果有人愿意帮助我让pdf2htmlEX在 heroku 上工作，请发表评论，我将在不同的帖子中发布更多详细信息

Answer 1

这不会是微不足道的。 但我会给出一些指示。

您需要一个app.json来定义您的 buildpack。
https://devcenter.heroku.com/articles/app-json-schema#buildpacks

如果这个项目可以通过apt那就很容易了。 您只需使用Heroku 的 Apt buildpack定义一个Aptfile ，说明它需要安装哪些包。 例子
然后它会自动安装它，你就完成了。

如果它不能作为包提供，您将需要创建自己的 buildpack。
https://devcenter.heroku.com/articles/buildpack-api
此处使用的示例。

另一种解决方案是将您的项目 dockerize 并将其作为 docker 容器执行。