pdf.js · 语义化正文 · SEO / GEO

本地处理 · 文件不上传

PDF转HTML工具：提取正文，生成利于 SEO / GEO 的网页

把 PDF 拖进来，在浏览器本地用 pdf.js 提取文字与坐标，还原成标题、段落、列表和表格，直接生成语义化的 HTML：没有页面截图，正文可被搜索引擎抓取、被 AI 问答引擎引用。可下载单文件，也可按页拆分并打包 ZIP。需要时填上 32 位通道码，给网页加上访问统计与弹幕。

  1. 1 上传拖入或点选 PDF
  2. 2 转换提取正文并结构化
  3. 3 预览下载单文件语义化 HTML
把 PDF 文件拖到此处，或点击选择文件
支持 .pdf，单次上传 1 个文件，单个不超过 50MB；单次最多转换 600 页 · 扫描件请先 OCR
已上传的文件

还没有文件

转换设置

留空页码 = 转换全部
上传后显示总页数
单次最多 600 页；超过请用页码范围分段转换。

通道码（可选）

填入后，下载的 HTML 会自动加载 danmu.js（stat、ad 插件），打开页面即可统计访问与展示广告。通道码到一封传话官网注册后免费获取。

核心能力

解析、结构化、生成，都在一个页面里完成
01

语义化正文

把 PDF 文字重新组织成 h1-h6、p、ul/ol、table，不是整页截图。文字可选中、复制、搜索，搜索引擎能直接读取。

02

SEO 元信息

根据正文自动生成 title、description、Open Graph 与 Twitter 卡片；标题层级与正文一致，不做关键词堆砌。

03

GEO 友好

输出 JSON-LD Article 结构化数据，自动生成目录与标题锚点，方便 AI 问答引擎定位章节、引用原文。

04

阅读顺序还原

按文字坐标聚合成行，再按基线从上到下排序；识别左右两栏版式时先读完左栏再读右栏。

05

表格与列表

连续多行的单元格列位置对齐时识别为表格，输出 thead/tbody，数字列右对齐；无序 / 有序列表分别输出 ul / ol。

06

零上传、可离线

解析与生成完全在浏览器内完成，PDF 字节不经过任何服务器；生成的 HTML 不依赖网络，单文件或按页拆分都可以离线打开。

一次解析，五个阶段

把「读 PDF」和「写网页」拆开，每一步都可单独检查
① 载入
读取 PDF 字节，解析文档目录与页数
② 提取
逐页取出文字、字号、坐标、字体名
③ 成行
按基线聚合文本块，计算每行字号与加粗
④ 结构
判定标题层级、列表、表格、页眉页脚
⑤ 生成
输出语义化 HTML、元信息与目录
输入
PDF 字节（本地）
输出
单文件语义化 HTML
引擎
pdf.js 3.11（浏览器内）
可选
32 位通道码（统计 / 广告）

关于这个PDF转HTML工具

pdf.js 引擎 · 语义化输出 · 本地处理

PDF转HTML工具用 Mozilla 开源的 pdf.js 在浏览器里读取 PDF 的文字层，拿到每个字的内容、字号、坐标与字体名，再按版式重新组织成语义化 HTML。生成的文件只有正文和样式，没有整页截图，因此既能直接阅读，也能被搜索引擎抓取、被 AI 问答引擎引用。整个过程只发生在当前标签页，PDF 不会上传到任何服务器。

能做什么

  • 语义化输出：标题、段落、有序 / 无序列表、表格分别输出为对应 HTML 标签，不把文字塞进图片。
  • SEO 元信息：自动生成 title、description、Open Graph、Twitter 卡片，以及 JSON-LD Article 结构化数据。
  • 阅读增强：标题自动生成稳定锚点；识别到 3 个以上标题时自动生成目录。
  • 版面清理：自动去除重复页眉页脚，修复英文跨行连字符，合并段落内断行。
  • 通道码：填入 32 位通道码后，生成的 HTML 自动加载 danmu.js，支持访问统计与广告；也可用 URL 参数 ?channelCode= 预填。
  • 直接交付：结果先在页面内预览，确认后下载为单个 .html 文件，或按页拆分打包成 ZIP。

怎么用（三步）

  1. 上传：拖入或选择一个 PDF（单个不超过 50MB）。
  2. 转换：填写页码范围（留空=全部），点「开始转换」，等待逐页提取完成。
  3. 下载：在「页面预览 / 结构统计」之间核对结果；需要统计或广告时填入通道码，再点「下载 HTML」，或点「按页拆分（ZIP）」得到书签目录页与分页文件。

扫描版 PDF 没有文字层：页面会明确提示「未提取到文字」，不会产出空文档；请先 OCR 再转换。

常见问题

生成的是页面截图还是真实文字？

生成的是真实文字。PDF 里的文字会被重新组织成标题、段落、列表和表格，输出为 h1-h6、p、ul/ol、table 等语义标签，不是整页截图。文字可以选中、复制、搜索，搜索引擎和 AI 问答引擎也能直接读取。

为什么说生成的 HTML 利于 SEO 和 GEO？

因为输出的正文是语义化结构：每篇文章只有一个 h1，章节用 h2-h6 分级，段落、列表、表格各用对应标签；同时自动生成 title、meta description、Open Graph 标签和 JSON-LD Article 结构化数据，并根据标题生成目录与锚点。搜索引擎抓取和 AI 问答引擎引用都更容易理解正文内容。

文件会上传吗？会不会泄露？

不会。PDF 用浏览器本地读取，解析、结构识别和 HTML 生成全部在当前标签页里由 pdf.js 完成，没有服务器落盘、没有日志、没有账号。关掉页面就什么都不剩。

扫描件、图片型 PDF 能转吗？

不能。扫描件本身没有可选中的文字层，提取不到内容时会提示「未提取到文字」，不会生成空文档。需要先做 OCR，再拿加了文字层的 PDF 来转换。

标题、表格识别不准怎么办？

标题按行字号除以正文主字号的倍率判定，表格要求连续多行的单元格列位置基本对齐。版式越规整效果越好；复杂图文混排、合并单元格、只有两列且很窄的表格可能退化成普通段落。可以只转换正文页码，减少封面、页眉页脚的干扰。

通道码是什么？URL 参数怎么用？

通道码是一封传话（聚合消息推送平台）的推送通道标识，32 位 16 进制字符串。在工具页面填入通道码后下载，生成的 HTML 会自动加载 danmu.js 并携带该通道码，打开页面即可统计访问、展示广告与弹幕。也可以在工具页地址后加 ?channelCode=你的通道码，页面会自动预填。

加密或损坏的 PDF 怎么办？

需要口令的 PDF 会提示「已加密」，请先用 PDF 工具去掉口令再上传；不是有效 PDF 或页面损坏时，会给出对应的错误提示。支持单文件不超过 50MB、单次最多 600 页。

离线使用说明：本页面完全在浏览器本地运行，不上传任何数据；生成的 HTML 也是单文件，不依赖网络。