之前收集了很多优秀的 PDF文档，但是需要看的时候不是很方便，需要去找到这个文件，如果是在手机上的话往往还需要下载 PDF相关的插件才行，而且最大的问题是不便于资料的整理和分享。如果能够将 PDF转换成网页，岂不是就能解决这些问题了?还能直接分享出去。

这里利用 PyPDF包来处理 PDF文件，为了方便快捷，我这里直接将一个页面转换成图片，就不需要去识别页面中的每一个 PDF元素了，这是没必要的。

转换

核心代码很简单，就是将 PDF文件读取出来，转换成 PdfFileReader，然后就可以根据 PyPDF2的API去获得每一个页面的二进制数据，拿到二进制数据过后，就能很方便的进行图片处理了，这里用 wand包来进行图片处理。

	
	

		
		

			# -*- coding: utf-8 -*-
		

	

	

		
		

			import io
		

	

	

		
		

			
		

	

	

		
		

			from wand.image import Image
		

	

	

		
		

			from wand.color import Color
		

	

	

		
		

			from PyPDF2 import PdfFileReader, PdfFileWriter
		

	

	

		
		

			
		

	

	

		
		

			memo = {}
		

	

	

		
		

			
		

	

	

		
		

			def getPdfReader(filename):
		

	

	

		
		

			    reader = memo.get(filename, None)
		

	

	

		
		

			    if reader is None:
		

	

	

		
		

			        reader = PdfFileReader(filename, strict=False)
		

	

	

		
		

			        memo[filename] = reader
		

	

	

		
		

			    return reader
		

	

	

		
		

			
		

	

	

		
		

			def _run_convert(filename, page, res=120):
		

	

	

		
		

			    idx = page + 1
		

	

	

		
		

			    pdfile = getPdfReader(filename)
		

	

	

		
		

			    pageObj = pdfile.getPage(page)
		

	

	

		
		

			    dst_pdf = PdfFileWriter()
		

	

	

		
		

			    dst_pdf.addPage(pageObj)
		

	

	

		
		

			
		

	

	

		
		

			    pdf_bytes = io.BytesIO()
		

	

	

		
		

			    dst_pdf.write(pdf_bytes)
		

	

	

		
		

			    pdf_bytes.seek(0)
		

	

	

		
		

			
		

	

	

		
		

			    img = Image(file=pdf_bytes, resolution=res)
		

	

	

		
		

			    img.format = 'png'
		

	

	

		
		

			    img.compression_quality = 90
		

	

	

		
		

			    img.background_color = Color("white")
		

	

	

		
		

			    img_path = '%s%d.png' % (filename[:filename.rindex('.')], idx)
		

	

	

		
		

			    img.save(filename=img_path)
		

	

	

		
		

			    img.destroy()
		

	

需要注意的是一般PDF文件较大，如果一次性转换整个PDF文件需要小心内存溢出的问题，我们这里将第一次载入的整个PDF文件保存到内存，避免每次读取的时候都重新载入。

批量处理

上面已经完成了一个 PDF页面的转换，要完成整个文件的转换就很简单了，只需要拿到文件的总页码，然后循环执行就行。考虑到转换比较耗时，可以使用异步处理的方式加快速度。比如可以使用 celery来搭配处理，一定注意小心内存泄露。

核心代码已经整理放到github上去了，好了，等有时间的时候准备做一个公共的 PDF转成 H5的服务，开放给大众使用。