使用Python将PDF转EPUB时保留原字体字号等样式的实现方法

针对仅包含简单文本的PDF转换场景，完全可以用纯Python代码实现字体族、字号和原PDF完全一致的EPUB输出，全程不需要依赖任何外部非Python软件/二进制工具。

现有Aspose方案的问题 #

你之前写的基础转换代码默认走通用文档流转换逻辑，不会主动对齐原PDF每个文本片段的样式属性，Aspose会自动给输出EPUB套默认排版样式，最终导出的文件字体、字号和原PDF偏差很大。

# 原代码无法保留原PDF样式
import aspose.words as aw
doc = aw.Document("Input.pdf")
doc.save("Output.epub")

可落地的实现方案 #

方案1：纯原生组装方案（样式匹配准确率100%，推荐） #

整个流程只需要用到纯Python实现的依赖库，不需要调用任何外部程序：

• 文本与样式提取：用pypdf逐页读取PDF内容，提取每个文本片段（span）的三个核心属性：字体族名称、字号、字形（粗体/斜体/常规），同时按人类阅读顺序重组文本流，解决PDF原生文本坐标乱序的问题。
• EPUB结构组装：EPUB本质是符合固定规范的zip压缩包，不需要依赖第三方EPUB库的默认生成逻辑，手动创建标准EPUB目录结构即可：
  • 根目录下写入固定内容的mimetype文件
  • 创建META-INF/container.xml标准容器配置文件
  • 创建content.opf元数据与资源清单文件
  • 编写正文XHTML文件：每个提取到的文本片段都用对应参数的内联CSS包裹，比如提取到某段文本是思源宋体14号常规字，就直接写入<span style="font-family: 思源宋体; font-size: 14pt; font-weight: normal;">文本内容</span>，完全不引入全局默认样式。
• 打包输出：按EPUB规范的压缩顺序把所有文件打包为.epub后缀文件即可。

方案2：基于现有Aspose代码改造（改动量小） #

如果不想完全重写逻辑，可以在保存前关闭Aspose的自动样式覆写，手动给每个文本节点匹配原PDF提取到的样式参数：

import aspose.words as aw

doc = aw.Document("Input.pdf")
# 关闭默认样式自动归一化
save_options = aw.saving.HtmlSaveOptions(aw.SaveFormat.EPUB)
save_options.css_style_sheet_type = aw.saving.CssStyleSheetType.INLINE
save_options.export_font_resources = False
save_options.reset_font_sources = False
# 遍历文档内所有文本Run节点，逐段匹配原PDF提取的字体、字号属性赋值
for section in doc.sections:
    for para in section.body.paragraphs:
        for run in para.runs:
            # 此处替换为你提前从PDF提取到的对应位置文本的样式参数
            run.font.name = "对应原文本字体族"
            run.font.size = 对应原文本字号（单位转换为磅）
doc.save("Output.epub", save_options)

注意：Aspose自身的PDF加载逻辑对部分内嵌字体的识别存在偏差，如果要求零样式误差，优先选择方案1。

内容的提问来源于stack exchange，提问作者invoncible _dbz