Converti PDF in HTML

Un sito web, un sistema di gestione dei contenuti o un’applicazione browser potrebbe richiedere HTML modificabile e ricercabile invece di un PDF fisso. La conversione estrae il testo, le immagini e il layout del PDF in file web, ma i documenti complessi richiedono generalmente una correzione manuale prima della pubblicazione.

Che cos’è il formato PDF

PDF, ovvero Portable Document Format, conserva l’aspetto delle pagine di un documento tra diversi sistemi operativi e stampanti memorizzando testo, font, grafica vettoriale, immagini raster e istruzioni di posizionamento. Adobe Acrobat, Microsoft Word, LibreOffice, gli scanner, i software di desktop publishing, i sistemi di reporting e i browser web creano o visualizzano PDF. Fatture, manuali, moduli, contratti, documenti accademici, brochure e documenti governativi utilizzano comunemente questo formato.

Un PDF può contenere testo selezionabile, font incorporati, immagini, annotazioni, segnalibri, campi modulo, contenuti multimediali e crittografia. Un PDF scansionato contiene immagini delle pagine anziché dati dei caratteri; richiede il riconoscimento ottico dei caratteri (OCR) prima che la conversione possa produrre testo HTML utilizzabile.

Che cos’è il formato HTML

HTML, ovvero HyperText Markup Language, rappresenta i contenuti web con elementi per titoli, paragrafi, elenchi, link, tabelle, immagini e moduli. I browser eseguono il rendering di HTML direttamente, mentre i server web, i sistemi di gestione dei contenuti, gli screen reader, i motori di ricerca e gli editor di codice possono elaborarlo e modificarlo. Un documento HTML può utilizzare CSS per la presentazione e fare riferimento a file separati di immagini, fogli di stile e script.

A differenza del modello a pagine fisse del PDF, HTML può adattarsi agli schermi di telefoni, tablet e computer desktop. Titoli, link, elenchi e landmark semantici possono migliorare la navigazione, l’accessibilità e l’indicizzazione quando il markup convertito viene corretto e strutturato adeguatamente.

Convertire con pdftohtml di Poppler

pdftohtml di Poppler è un’opzione locale gratuita per PDF basati su testo su Linux, macOS e Windows. Installare il pacchetto delle utilità di Poppler utilizzando il gestore dei pacchetti del sistema operativo o una build di Windows affidabile, quindi aprire un terminale nella cartella del PDF.

1. Eseguire pdftohtml -s -noframes -c input.pdf output.html. Sostituire input.pdf con il nome del file sorgente.
2. Aprire output.html in un browser e controllare l’ordine di lettura, i titoli, le tabelle, i link, le immagini e le interruzioni di pagina.
3. Mantenere i file di immagini e fogli di stile generati accanto al file HTML, a meno di non aggiornarne i percorsi relativi.
4. Modificare il markup per ripristinare i livelli dei titoli, rimuovere il posizionamento assoluto non necessario, aggiungere testo alt descrittivo e sostituire gli elementi ripetuti delle pagine con CSS.

L’opzione -s richiede un unico documento HTML, -noframes evita un frameset e -c abilita l’output per layout complessi. Per una fonte scansionata, creare prima una copia ricercabile con ocrmypdf input.pdf searchable.pdf, quindi eseguire pdftohtml su searchable.pdf. La precisione dell’OCR dipende dalla risoluzione della scansione, dalla lingua, dal carattere tipografico e dalla qualità della pagina.

Convertire con Adobe Acrobat Pro

1. Aprire il PDF in Acrobat Pro.
2. Scegliere File → Export To → HTML Web Page, se questa esportazione è disponibile nella versione di Acrobat installata.
3. Salvare l’HTML generato e le risorse associate in una cartella.
4. Aprire il risultato in un browser, quindi modificare e convalidare il markup prima della pubblicazione.

L’esportazione di Acrobat è pratica per i documenti ordinari, ma un PDF organizzato visivamente può trasformarsi in HTML contenente posizioni assolute, dimensioni fisse o testo frammentato anziché una struttura semantica pulita.

Utilizzare un convertitore online

CloudConvert e Zamzar offrono la conversione da PDF a HTML tramite browser. Caricare il PDF, selezionare HTML come output, avviare la conversione e scaricare l’HTML insieme alle eventuali immagini, ai fogli di stile o all’archivio generati. Esaminare le politiche di conservazione e cancellazione del provider prima di caricare contratti, documenti personali, credenziali o file aziendali riservati; gli strumenti locali mantengono la fonte sul proprio sistema.

Limiti di qualità e compatibilità

Il PDF registra principalmente l’aspetto, non la semantica del documento. Un titolo visivo può essere semplice testo posizionato, il testo disposto su più colonne può apparire nell’ordine di lettura errato e una tabella può essere convertita in frammenti separati o elementi con posizionamento assoluto. Anche font, legature, note a piè di pagina, trasparenze, grafica a livelli, annotazioni, campi modulo, intestazioni e piè di pagina possono essere convertiti in modo impreciso.

Per un sito web responsive, considerare la conversione come un’estrazione anziché come una pagina finita. Impostare la codifica UTF-8, correggere la struttura del documento, utilizzare elementi semantici come <main> e <nav>, ottimizzare le immagini estratte, convalidare l’HTML, testare la navigazione da tastiera e la struttura per gli screen reader e controllare le larghezze ridotte del viewport. Se è disponibile la fonte originale di Word, InDesign, LibreOffice o del sistema di pubblicazione, esportare direttamente in HTML quella fonte strutturata offre generalmente risultati migliori rispetto alla conversione del PDF.