pdf2htmlex字体乱码主因是未嵌入字体，须加--embed-fonts和--font-format woff参数；chrome headless导pdf为html存在协议限制与渲染偏差；pdfplumber+beautifulsoup适合语义化转换但需坐标聚类处理文本块。
pdf2htmlEX 转换后字体乱码、排版错位
根本原因是 PDF 内嵌字体未被正确映射到 Web 字体，pdf2htmlEX 默认不嵌入字体文件，只靠系统字体 fallback，而多数 PDF 用的是非标准中文字体（如 Adobe-GB1-5 或自定义 CID 字体）。
实操建议：pdf2htmlEX 必须加 --embed-fonts 和 --font-format woff 参数，强制提取并转成 Web 可用字体：
pdf2htmlEX --embed-fonts --font-format woff --zoom 1.3 input.pdf
- 不加
--embed-fonts：中文显示为方框或空白 -
--zoom 1.3是关键补偿值，PDF 原始 DPI（常为 72）和 HTML 渲染 DPI（常为 96）不一致，缩放不足会导致文字挤在一起 - 输出目录里会生成
fonts/子目录和对应.woff文件，需确保 Web 服务能访问该路径
Python 用 pdfplumber + BeautifulSoup 生成语义化 HTML
适合需要保留标题层级、表格结构、超链接等逻辑信息的场景，比如把产品说明书转成可搜索、可跳转的文档页；但别指望它还原视觉排版——它不处理位置、颜色、分栏。
常见错误是直接 page.extract_text() 粗暴拼接，结果段落断裂、列表变乱码。正确做法是按文本块（page.chars 或 page.rects）分析坐标，再聚类为“行”和“段”：
立即学习“前端免费学习笔记（深入）”；
import pdfplumber<br>from bs4 import BeautifulSoup<br><br>with pdfplumber.open("manual.pdf") as pdf:<br> html_parts = []<br> for page in pdf.pages:<br> # 按 y 坐标分组文本行，避免跨列误连<br> lines = sorted(page.extract_words(x_tolerance=3, y_tolerance=5), key=lambda x: -x["top"])<br> # 合并同一行内间距小的词<br> # ...（略去聚类逻辑）<br> html_parts.append(f"<p>{clean_line}</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/ai/2131" title="墨刀AIPPT"><img
src="https://img.php.cn/upload/ai_manual/000/000/000/175679993920478.png" alt="墨刀AIPPT" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/ai/2131" title="墨刀AIPPT">墨刀AIPPT</a>
<p>排版/配图/美化一键优化，3分钟产出专业级PPT</p>
</div>
<a href="/ai/2131" title="墨刀AIPPT" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div>")<br><br>soup = BeautifulSoup("".join(html_parts), "html.parser")-
x_tolerance和y_tolerance不设或设太大，会导致不同列文字被强行合并 - 表格要用
page.extract_table()单独处理，不能混在文本流里 - 生成的 HTML 没有 CSS，需额外写样式控制行高、字号匹配原文档视觉密度
Chrome Headless 导出 PDF 为 HTML 的兼容性陷阱
有人用 chrome --headless --dump-dom 加载 PDF URL 再保存 DOM，这本质是浏览器 PDF 查看器的渲染快照，不是真正“转换”。结果高度依赖 Chrome 版本和系统环境。
典型现象：Failed to load PDF document 错误，或导出内容只有空白页、仅显示加载图标。原因包括：
- Chrome 110+ 默认禁用本地 file:// 协议加载 PDF（安全策略），必须起本地 HTTP 服务，用
http://localhost/xxx.pdf - PDF 含 JavaScript 表单或加密，Headless 模式下不执行脚本，表单字段全为空
- 页面缩放设置未同步，导出 HTML 文字尺寸忽大忽小，
--force-device-scale-factor=1.25才接近实际阅读效果
转换后 CSS 样式无法对齐原始 PDF 的字号和行距
PDF 没有“字号继承”概念，所有文字是绝对定位+绝对字号；HTML 是流式布局，font-size 和 line-height 一改就连锁反应。直接套用 PDF 的 10pt 字号，在 HTML 里看着小得几乎不可读。
实操上必须做两件事：
- 把 PDF 中检测到的字号统一映射为 rem 基准：比如原文档正文多为
9.5pt，CSS 里设html { font-size: 12px; }，再用font-size: 0.79rem（≈9.5/12）逼近 - 行高不能写固定像素值，用无单位数字（如
line-height: 1.42），否则在不同缩放比例下崩坏 - PDF 的“段前距/段后距”在 HTML 里要拆成
margin-top+margin-bottom，且需重置p默认 margin，否则双倍间距
最麻烦的其实是页眉页脚——它们在 PDF 里是绝对定位层，转 HTML 后要么用 position: fixed（滚动时悬浮），要么塞进每个 section 的 <header></header>（维护成本高）。没人真能全自动做好这个，得手动调。
