如何强制pdftohtml输出UTF-8编码 解决指定utf8编码找不到映射文件报错

问题原因 #

• pdftohtml的-enc参数不支持直接传入小写的utf8作为值，该参数需要匹配工具自带的编码映射文件名，所以会提示找不到unicodeMap文件
• 你发现-listenc不是有效选项是因为只有部分分支版本的pdftohtml支持该参数，主流poppler官方版本的pdftohtml没有集成该参数
• 你观测到Vim打开输出文件显示为UTF-8是正常的：最新版poppler提供的pdftohtml默认输出编码实际就是UTF-8，只是它生成的HTML头里默认不会声明UTF-8编码，才会让你误以为默认编码是ISO-8859-1。

强制输出UTF-8的操作方案 #

方法1：直接使用默认输出+手动补充编码声明（优先推荐） #

现在主流发行版源里安装的poppler-utils包提供的pdftohtml默认输出就是UTF-8，你只需要给生成的HTML手动添加编码声明即可：

• 转换时不加-enc参数，直接执行：
  pdftohtml my.pdf output.html
• 生成后在HTML的<head>标签内插入 <meta charset="UTF-8"> 即可，批量处理可以用sed命令一键添加：
  sed -i '1i <meta charset="UTF-8">' output.html

方法2：指定正确的UTF-8编码映射名称 #

如果你的pdftohtml版本比较老，需要手动指定编码，传入的参数值应该是大小写正确的UTF-8，如果提示缺少映射文件，先安装poppler-data依赖包：

• Debian/Ubuntu系列安装依赖：
  sudo apt install poppler-data
• RHEL/CentOS/Fedora系列安装依赖：
  sudo dnf install poppler-data
• 安装完成后执行转换命令：
  pdftohtml -enc "UTF-8" my.pdf

方法3：转码兜底方案 #

如果以上两种都不生效，可以先让pdftohtml输出默认编码内容，再用iconv强制转码为UTF-8：
pdftohtml my.pdf temp.html && iconv -f ISO-8859-1 -t UTF-8 temp.html > output.html

内容的提问来源于stack exchange，提问作者user3310334