如何禁用pdf2htmlex将文本嵌入图片的行为？

API 探路者

2026-6-23

问题：pdf2htmlex解析PDF时如何避免文本被包含进图片？

我在用pdf2htmlex解析试卷PDF时遇到一个问题：它会把文本作为图片的一部分保存，而不是让图片只保留图形内容。

现象说明

pdf2htmlex并非无法识别PDF中的文本，检查解析后的内容发现，div标签里确实包含了PDF的文本，但这些文本是透明的。
示例图：

排查过程：字体对比

我怀疑是字体差异导致的问题，用fitz编写了字体提取和对比的代码，对比了两份PDF：

eq8.pdf：存在问题的PDF（文本被包含进图片）
example.pdf：解析正常的PDF（图片仅含图形，无文本）

字体提取代码

import fitz

def extract_fonts_from_pdf(pdf_path):
    font_families = set()
    
    doc = fitz.open(pdf_path)
    for page_num in range(len(doc)):
        page = doc.load_page(page_num)

        for text_instance in page.get_text("dict")["blocks"]:
            for line in text_instance["lines"]:
                for span in line["spans"]:
                    font_family = span["font"]
                    if font_family:
                        font_families.add(font_family)

    doc.close()
    return font_families

def compare_fonts(pdf_path1, pdf_path2):
    fonts1 = extract_fonts_from_pdf(pdf_path1)
    fonts2 = extract_fonts_from_pdf(pdf_path2)

    print("Fonts in PDF 1:")
    print(fonts1)
    print("\nFonts in PDF 2:")
    print(fonts2)

# Example usage
pdf_path1 = "eq8.pdf"
pdf_path2 = "example.pdf"
compare_fonts(pdf_path1, pdf_path2)

运行输出

Fonts in PDF 1:
{'Arial', 'Calibri', 'TimesNRGreekMT', 'Arial,Bold', 'Helvetica-Bold', 'Arial,Italic', 'Helvetica', 'Symbol', 'Cambria,Bold', 'Helvetica-Oblique'}

Fonts in PDF 2:
{'Arial', 'Calibri', 'Arial,Bold', 'Helvetica-Bold', 'Arial,Italic', 'Helvetica', 'Cambria,Bold', 'Helvetica-Oblique'}