PDF को HTML में कैसे बदलें (साफ़ वेब पेज)

अगर आप PDF फ़ाइल को HTML में बदलना चाहते हैं, तो ईमानदार ख़बर पहले ही: कोई टूल किसी भी PDF को अपने-आप साफ़, responsive HTML नहीं बना सकता। PDF प्रिंट-फ़ॉर्मैट है — वह दर्ज करता है 'यह अक्षर x=142, y=380 पर रखो', यह नहीं कि 'यह एक हेडिंग है'। HTML इसका ठीक उल्टा है। हर कन्वर्ज़न दो फ़लसफ़ों के बीच अनुवाद है, और कुछ न कुछ हमेशा खोता है।

इसका मतलब यह नहीं कि काम मुश्किल है। मतलब यह है कि तरीक़ा अपनी असली ज़रूरत से चुनें: साफ़ markup, एक बार का तेज़ आउटपुट, या बस डॉक्यूमेंट को किसी तरह वेब पेज पर चढ़ाना। तीनों यहाँ हैं, साथ में वह स्थिति भी जब बदलना ही नहीं चाहिए।

PDF को वेब पेज बनाना ही क्यों?

तीन वजहें बार-बार सामने आती हैं:

• SEO। सर्च इंजन PDF इंडेक्स करते हैं, पर असली HTML पेजों को कहीं बेहतर रैंक देते हैं: HTML में संरचना है (हेडिंग, लिंक, alt टेक्स्ट), वह तेज़ लोड होता है और मोबाइल पर चलता है। PDF में दबा कंटेंट वह कंटेंट है जो ज़्यादातर खोजने वालों को कभी मिलता ही नहीं।
• एक्सेसिबिलिटी। स्क्रीन रीडर semantic HTML को औसत untagged PDF से कहीं बेहतर पढ़ते हैं। डॉक्यूमेंट सबके लिए मायने रखता है, तो सुलभ फ़ॉर्मैट HTML है।
• यूज़र एक्सपीरियंस। मोबाइल पर PDF लिंक का मतलब है डाउनलोड → दूसरे ऐप में खोलो → फ़िक्स्ड A4 लेआउट पर पिंच-ज़ूम करो। HTML पेज बस पढ़ में आता है।

तरीक़ा 1 — निकालें और दोबारा बनाएँ (सबसे साफ़ markup)

जिस कंटेंट की आपको सच में परवाह है — साइट पर जाने वाली रिपोर्ट, गाइड, डॉक्यूमेंटेशन — उसके लिए यह हर ऑटोमैटिक कन्वर्टर को पीछे छोड़ देता है। आप PDF से कच्चा माल निकालते हैं और उसके चारों ओर सादा HTML ख़ुद लिखते हैं।

हाँ, यह हाथ का काम है। पर आउटपुट ऐसा HTML है जिसे आप सच में मेंटेन करना चाहेंगे, और असली पाठकों के लिए बने किसी भी कंटेंट पर यह सौदा फ़ायदे का है।

तरीक़ा 2 — pdftohtml और Calibre (कमांड-लाइन वालों के लिए)

ऑटोमेशन चाहिए और आउटपुट की गड़बड़ी झेल सकते हैं, तो:

pdftohtml (Poppler utilities का हिस्सा, Linux/Mac पर पहले से या एक पैकेज दूर):

pdftohtml -s -noframes document.pdf output.html

-s फ़्लैग हर पेज की अलग फ़ाइल की जगह एक लगातार HTML डॉक्यूमेंट देता है। -c फ़्लैग 'complex mode' जोड़ता है, जो लेआउट को absolute-positioned div से दोहराता है — देखने में PDF के क़रीब, पर markup दिखाने के अलावा किसी काम का नहीं और मोबाइल पर पूरी तरह टूट जाता है।

Calibre (मुफ़्त, हर OS पर) PDF को ebook की तरह लेता है: Calibre खोलें → PDF जोड़ें → Convert → आउटपुट में HTMLZ चुनें। यह सिंगल-कॉलम, टेक्स्ट-भारी PDF पर सबसे अच्छा चलता है और मल्टी-कॉलम लेआउट पर अटकता है — उन्हें अक्सर ग़लत क्रम में पढ़ता है।

पेड कन्वर्टर (Adobe Acrobat Pro का Export-to-HTML, $6-20/महीने की ऑनलाइन सेवाएँ) टेबलों पर बेहतर हैं और फ़ॉर्मैटिंग ज़्यादा बचाते हैं, पर उनका आउटपुट भी जनरेट किया हुआ markup है — सैकड़ों inline स्टाइल और nested span। कंटेंट आज ही ऑनलाइन चाहिए तो ठीक; कभी एडिट करना पड़ा तो दर्दनाक।

तरीक़ा 3 — बदलें ही नहीं: PDF को embed या लिंक करें

'यह PDF अपनी वेबसाइट पर कैसे लगाऊँ' का सही जवाब कभी-कभी यही है कि PDF को वेबसाइट पर लगा दें:

<embed src="/files/report.pdf" type="application/pdf" width="100%" height="800px" />

या साइज़-हिंट के साथ सादा लिंक: <a href="/files/report.pdf">Annual report (PDF, 2.4 MB)</a>.

नुक़सान: embed की गई PDF SEO के लिए फिर भी कमज़ोर है और फ़ोन पर असुविधाजनक। आम बीच का रास्ता दोनों हैं — पेज पर मुख्य कंटेंट का HTML सार, और नीचे पूरी PDF का लिंक।

आपके केस में कौन-सा तरीक़ा?

ईमानदार उम्मीदें: क्या बचता है, क्या नहीं

तरीक़ा कोई भी चुनें, उम्मीदें नाप लें:

• सादा टेक्स्ट: हर जगह बचता है। यही आसान 90% है।
• फ़ॉन्ट: जब तक आप हाथ से webfont न जोड़ें, आमतौर पर web-safe या सिस्टम फ़ॉन्ट से बदल जाते हैं।
• मल्टी-कॉलम लेआउट: क्लासिक नाकामी। कन्वर्टर या तो कॉलमों को एक उलझी धारा में मिला देते हैं या absolute positioning से जमा देते हैं।
• टेबलें: आधा-अधूरा। सादे ग्रिड अक्सर बदल जाते हैं; merge हुए सेल और nested टेबलें शायद ही कभी।
• हेडर, फ़ुटर, पेज नंबर: हर 'पेज' पर दोहराए गए कचरा टेक्स्ट की तरह साथ आते हैं — इन्हें आप हाथ से हटाएँगे।
• इंटरैक्टिव फ़ॉर्म-फ़ील्ड: किसी भी कन्वर्टर में नहीं बचते। उन्हें HTML फ़ॉर्म की तरह दोबारा बनाएँ।

उल्टी दिशा में जा रहे हैं — वेब पेज है और उसकी PDF चाहिए — तो वह कहीं बेहतर सुलझी हुई समस्या है; उसके लिए HTML to PDF कन्वर्टर है।

अक्सर पूछे जाने वाले प्रश्न

क्या सच में मुफ़्त PDF to HTML कन्वर्टर ऑनलाइन है?

मुफ़्त ऑटोमैटिक कन्वर्टर हैं, पर आउटपुट जनरेट किया markup है — positioned div और inline स्टाइल। साफ़ HTML तक सच में मुफ़्त रास्ता यह है: pdfty से टेक्स्ट और इमेज निकालें (20 MB तक मुफ़्त, दिन में 10 ऑपरेशन, बिना साइन-अप) और markup ख़ुद लिखें।

मेरी PDF स्कैन है — extraction कुछ नहीं दे रहा। क्यों?

स्कैन PDF पेजों की तस्वीरें हैं, अंदर कोई टेक्स्ट-लेयर नहीं। पहले उस पर OCR चलाएँ; उसके बाद टेक्स्ट-extraction सामान्य रूप से चलेगा। बिना OCR के दुनिया का कोई कन्वर्टर वह टेक्स्ट नहीं ढूँढ सकता जो है ही नहीं।

क्या PDF के हाइपरलिंक कन्वर्ज़न में बचेंगे?

pdftohtml ज़्यादातर link-annotation को a टैग के रूप में बचा लेता है। निकालो-और-बनाओ तरीक़े में सादा टेक्स्ट-extraction उन्हें गिरा देता है — markup करते समय ज़रूरी URL PDF से हाथ से कॉपी कर लें।

इमेज पूरी क्वालिटी में कैसे निकालूँ?

Extract Images इस्तेमाल करें — यह पेजों का स्क्रीनशॉट नहीं लेता, एम्बेडेड मूल फ़ाइलें खींचता है, इसलिए आपको वही रेज़ोल्यूशन मिलता है जो PDF में असल में रखा था। पब्लिश करने से पहले उन्हें वेब के लिए कंप्रेस कर लें।

क्या Google, PDF इंडेक्स करता भी है?

हाँ — Google, PDF इंडेक्स और रैंक करता है। पर उसी कंटेंट वाले HTML पेज लगातार उनसे आगे रहते हैं: बेहतर मोबाइल अनुभव, तेज़ लोड, असली हेडिंग-संरचना और आंतरिक लिंक — सब रैंकिंग में जुड़ते हैं। कंटेंट सर्च के लिए मायने रखता है, तो उसे HTML बनाकर पब्लिश करें।

क्या Word से PDF to HTML हो सकता है?

एक हद तक। Word कई PDF खोल लेता है (File → Open), उन्हें एडिट होने वाले डॉक्यूमेंट में ढालता है, और Save As → Web Page कर सकता है। उसका निकाला HTML बदनाम हद तक फूला हुआ होता है — शुरुआती बिंदु के तौर पर चलेगा, प्रोडक्शन markup के तौर पर नहीं।

HTML की जगह PDF to Markdown कैसा रहेगा?

अक्सर ज़्यादा समझदारी। टेक्स्ट निकालें, Markdown की हेडिंग और लिस्ट सिंटैक्स जोड़ें (टैग से तेज़ टाइप होती है), और HTML आपका साइट-जनरेटर बना देगा। वही तरीक़ा 1 है, बस टाइपिंग कम।

क्या embed की गई PDF एक्सेसिबिलिटी के लिए बुरी है?

आमतौर पर, हाँ। ब्राउज़र के PDF व्यूअर में स्क्रीन-रीडर सपोर्ट अस्थिर है, और untagged PDF हर जगह ख़राब पढ़ी जाती है। एक्सेसिबिलिटी मायने रखती है, तो कंटेंट असली HTML में दें — embed के साथ सरल वर्ज़न ही सही।