pdf2html-engine 0.1.3

A PDF to HTML converter focused on layout preservation and table extraction.

PDF to HTML Engine

一个高性能、高保真度的 PDF 转 HTML 引擎，专注于 精准布局还原、复杂表格提取 以及 跨页表格无缝处理。它针对复杂报表和布局进行了深度优化，能够满足各种高要求的 PDF 转换场景。

🚀 核心功能

• 高保真布局还原：基于原子级坐标分析，通过 padding 和动态字体计算，精确还原文本的视觉位置。
• 智能表格解析：利用几何分析能力，完美支持复杂单元格合并（rowspan/colspan）及文本对齐。
• 跨页表格合并：独有的跨页逻辑，可识别并自动合并跨页断裂的表格，支持自动剔除重复表头。
• 双阶段扫描 (Two-Pass)：通过预扫描统一全局表格网格坐标，解决 PDF 转换中常见的列对齐微差问题。
• 智能下划线识别：自动关联文本与其下方的图形线条，将填空下划线还原为语义化的 HTML 标签。
• 文档样式优化：内置对常用字体、页眉页脚过滤及复杂表单样式的专项处理。

🛠️ 技术栈

• 核心语言：Python 3.8+
• PDF 驱动：PyMuPDF (fitz) & pdfplumber
• 渲染引擎：Jinja2
• 布局算法：基于坐标的行归类与视觉网格对齐算法

📂 项目结构

pdf2html-engine/
├── pdf2html_engine/     # 核心源码包
│   ├── __init__.py      # 暴露核心 API (PDFConverter, parse_pdf)
│   ├── cli.py           # 命令行接口实现
│   ├── converter.py     # 流程协调器：管理双阶段扫描与跨页逻辑
│   ├── pdf_loader.py    # 健壮加载器：修复损坏 PDF 结构
│   ├── layout_engine.py # 布局分析：处理文本行归类与样式推断
│   ├── table_extractor.py # 表格引擎：处理网格统一与合并单元格
│   └── html_renderer.py # 渲染层：基于 Jinja2 生成响应式 HTML
├── pyproject.toml       # 项目配置与依赖管理
└── requirements.txt     # 依赖列表

🧠 核心架构原理

1. 视觉行聚类 (Visual Line Grouping)：按 Y 轴坐标对字符进行聚类，容忍微小垂直偏移，实现“所见即所得”的行合并。
2. 网格统一 (Grid Unification)：在 Pass 1 阶段收集所有页面的表格坐标，Pass 2 强制使用统一网格，确保跨页表格视觉对齐。
3. 图形关联：扫描 PDF 的 drawings 层，将线条与文本位置匹配，智能判定下划线语义。