Convertir PDF en HTML

Un site web, un système de gestion de contenu ou une application de navigateur peut nécessiter du HTML modifiable et interrogeable plutôt qu'un PDF fixe. La conversion extrait le texte, les images et la mise en page du PDF dans des fichiers web, mais les documents complexes nécessitent généralement une correction manuelle avant leur publication.

Qu'est-ce que le format PDF ?

Le PDF, ou Portable Document Format, préserve l'apparence d'un document sur différents systèmes d'exploitation et différentes imprimantes en stockant le texte, les polices, les graphiques vectoriels, les images matricielles et les instructions de positionnement. Adobe Acrobat, Microsoft Word, LibreOffice, les scanners, les logiciels de publication assistée par ordinateur, les systèmes de génération de rapports et les navigateurs web créent ou affichent des PDF. Les factures, les manuels, les formulaires, les contrats, les articles universitaires, les brochures et les documents gouvernementaux utilisent couramment ce format.

Un PDF peut contenir du texte sélectionnable, des polices incorporées, des images, des annotations, des signets, des champs de formulaire, du contenu multimédia et du chiffrement. Un PDF numérisé contient des images de pages plutôt que des données de caractères ; il nécessite une reconnaissance optique de caractères (OCR) avant qu'une conversion puisse produire du texte HTML utilisable.

Qu'est-ce que le format HTML ?

HTML, ou HyperText Markup Language, représente le contenu web avec des éléments pour les titres, les paragraphes, les listes, les liens, les tableaux, les images et les formulaires. Les navigateurs affichent directement le HTML, tandis que les serveurs web, les systèmes de gestion de contenu, les lecteurs d'écran, les moteurs de recherche et les éditeurs de code peuvent le traiter et le modifier. Un document HTML peut utiliser CSS pour la présentation et référencer des fichiers distincts d'images, de feuilles de style et de scripts.

Contrairement au modèle de page fixe du PDF, le HTML peut se réorganiser pour les écrans de téléphone, de tablette et d'ordinateur. Les titres sémantiques, les liens, les listes et les repères peuvent améliorer la navigation, l'accessibilité et l'indexation lorsque le balisage converti est correctement corrigé et structuré.

Convertir avec pdftohtml de Poppler

Le pdftohtml de Poppler est une option locale gratuite pour les PDF textuels sous Linux, macOS et Windows. Installez le paquet d'utilitaires Poppler à l'aide du gestionnaire de paquets du système d'exploitation ou d'une version Windows fiable, puis ouvrez un terminal dans le dossier du PDF.

1. Exécutez pdftohtml -s -noframes -c input.pdf output.html. Remplacez input.pdf par le nom du fichier source.
2. Ouvrez output.html dans un navigateur et vérifiez l'ordre de lecture, les titres, les tableaux, les liens, les images et les sauts de page.
3. Conservez les fichiers d'images et de feuilles de style générés à côté du fichier HTML, sauf si vous mettez à jour leurs chemins relatifs.
4. Modifiez le balisage pour rétablir les niveaux de titre, supprimer le positionnement absolu inutile, ajouter un texte alt descriptif et remplacer les éléments de mise en page répétés de chaque page par du CSS.

L'option -s demande un seul document HTML, -noframes évite l'utilisation d'un jeu de cadres et -c active la sortie pour les mises en page complexes. Pour une source numérisée, créez d'abord une copie interrogeable avec ocrmypdf input.pdf searchable.pdf, puis exécutez pdftohtml sur searchable.pdf. La précision de l'OCR dépend de la résolution de numérisation, de la langue, de la police de caractères et de la qualité de la page.

Convertir avec Adobe Acrobat Pro

1. Ouvrez le PDF dans Acrobat Pro.
2. Choisissez File → Export To → HTML Web Page, si cette option d'exportation est disponible dans la version d'Acrobat installée.
3. Enregistrez le HTML généré et ses ressources associées dans un dossier.
4. Ouvrez le résultat dans un navigateur, puis modifiez et validez le balisage avant sa publication.

L'exportation d'Acrobat est pratique pour les documents ordinaires, mais un PDF composé visuellement peut devenir un HTML contenant des positions absolues, des dimensions fixes ou du texte fragmenté plutôt qu'une structure sémantique claire.

Utiliser un convertisseur en ligne

CloudConvert et Zamzar proposent une conversion PDF vers HTML dans le navigateur. Importez le PDF, sélectionnez HTML comme format de sortie, démarrez la conversion et téléchargez le HTML avec les éventuelles images, feuilles de style ou archives générées. Consultez la politique de conservation et de suppression du fournisseur avant d'importer des contrats, des dossiers personnels, des identifiants ou des fichiers professionnels confidentiels ; les outils locaux conservent la source sur votre propre système.

Limites de qualité et de compatibilité

Le PDF enregistre principalement l'apparence, et non la sémantique du document. Un titre visuel peut être un simple texte positionné, le texte sur plusieurs colonnes peut apparaître dans un ordre de lecture incorrect et un tableau peut être converti en fragments distincts ou en éléments positionnés absolument. Les polices, les ligatures, les notes de bas de page, la transparence, les graphiques superposés, les annotations, les champs de formulaire, les en-têtes et les pieds de page peuvent également être convertis de manière inexacte.

Pour un site web responsive, considérez la conversion comme une extraction plutôt que comme une page terminée. Définissez l'encodage UTF-8, corrigez la structure du document, utilisez des éléments sémantiques tels que <main> et <nav>, optimisez les images extraites, validez le HTML, testez la navigation au clavier et la structure pour les lecteurs d'écran, et vérifiez les faibles largeurs de fenêtre d'affichage. Si la source originale Word, InDesign, LibreOffice ou du système de publication est disponible, l'exportation directe de cette source structurée vers HTML donne généralement de meilleurs résultats que la conversion du PDF.