Генерировать html из pdf и отключить группировку с GroupDocs Viewer for Java

Во многих проектах вам необходимо генерировать html из pdf, сохраняя каждый глиф точно на своём месте. Это особенно важно для сложных письменностей, древних языков или юридических документов, где один неверно расположенный символ может изменить смысл. В этом руководстве мы пройдём полный процесс рендеринга PDF в HTML с помощью GroupDocs Viewer for Java и покажем, как отключить группировку, чтобы каждый символ рассматривался как отдельный элемент.

Точные техники рендеринга с GroupDocs.Viewer for Java

Быстрые ответы

  • Что делает “отключение группировки”? Она заставляет рендерер рассматривать каждый символ как отдельный элемент, сохраняющий точную раскладку.
  • Какая опция API управляет этим? viewOptions.getPdfOptions().setDisableCharsGrouping(true).
  • Нужна ли лицензия? Триальная версия подходит для тестирования, но для продакшна требуется полная лицензия.
  • Можно ли одновременно генерировать html из pdf? Да — используйте HtmlViewOptions для создания HTML‑вывода при отключённой группировке.
  • Ограничена ли эта функция только PDF? В основном она предназначена для PDF, но просмотрщик поддерживает множество других форматов.

Что такое генерация html из pdf?

generate html from pdf описывает процесс преобразования PDF‑документа в набор HTML‑страниц, сохраняющих оригинальную раскладку, шрифты и изображения. Такое преобразование обеспечивает лёгкий веб‑просмотр, индексацию и взаимодействие без необходимости в PDF‑плагине.

Почему использовать GroupDocs Viewer for Java?

GroupDocs.Viewer for Java поддерживает более 100 входных форматов и может рендерить PDF‑файлы до 500 страниц без загрузки всего файла в память. Библиотека обрабатывает каждую страницу потоково, что уменьшает использование кучи до 70 % по сравнению с полной загрузкой документа. Эти количественные возможности делают её надёжным выбором для высокообъёмных корпоративных конвейеров обработки документов.

Введение

При работе с PDF‑документами точность рендеринга имеет решающее значение — особенно при работе со сложными текстовыми структурами, такими как иероглифы или языки, требующие точного представления символов. Функция «Character Grouping» часто вызывает проблемы, группируя символы неправильно и приводя к неверному толкованию содержимого документа. Это особенно критично для пользователей, которым нужна точная репликация текстовой раскладки их документов.

GroupDocs.Viewer for Java — серверная библиотека, которая рендерит более 100 форматов документов в HTML, изображения и PDF, обеспечивая пиксель‑точную точность.

Требования

Перед тем как приступить к реализации кода, убедитесь, что выполнены следующие условия:

  • Библиотеки и зависимости: Требуется GroupDocs.Viewer for Java версии 25.2 или новее.
  • Настройка окружения: Установите Java Development Kit (JDK) и настройте IDE для Maven‑проектов.
  • Базовые знания: Основы программирования на Java, работа с файловой системой и знакомство с Maven.

Как генерировать html из pdf с помощью GroupDocs Viewer

Генерация html из pdf — это двухшаговый процесс: настройка просмотрщика, затем рендеринг документа. Ключевой момент — отключить группировку символов перед рендерингом, чтобы HTML‑вывод точно соответствовал оригинальной раскладке PDF‑файла символ за символом.

Настройка GroupDocs.Viewer for Java

Установка через Maven

Add the following dependency to your pom.xml:

<repositories>
   <repository>
      <id>repository.groupdocs.com</id>
      <name>GroupDocs Repository</name>
      <url>https://releases.groupdocs.com/viewer/java/</url>
   </repository>
</repositories>
<dependencies>
   <dependency>
      <groupId>com.groupdocs</groupId>
      <artifactId>groupdocs-viewer</artifactId>
      <version>25.2</version>
   </dependency>
</dependencies>

Приобретение лицензии

Для полного использования GroupDocs.Viewer рассмотрите возможность получения лицензии:

  • Бесплатная пробная версия: Начните с бесплатной пробной версии для тестирования функций.
  • Временная лицензия: Оформите временную лицензию, если требуется больше времени.
  • Покупка: Для долгосрочных проектов рекомендуется приобрести лицензию.

Базовая инициализация и настройка

HtmlViewOptions настраивает формат вывода и параметры рендеринга документа в HTML.

import com.groupdocs.viewer.Viewer;
import com.groupdocs.viewer.options.HtmlViewOptions;
import java.nio.file.Path;

// Initialize the GroupDocs Viewer
Path outputDirectory = Utils.getOutputDirectoryPath("DisableCharactersGrouping");
Path pageFilePathFormat = outputDirectory.resolve("page_{0}.html");

HtmlViewOptions viewOptions = HtmlViewOptions.forEmbeddedResources(pageFilePathFormat);
viewOptions.getPdfOptions().setDisableCharsGrouping(true);

try (Viewer viewer = new Viewer("YOUR_DOCUMENT_DIRECTORY/HIEROGLYPHS_PDF")) {
    viewer.view(viewOptions);
}

Руководство по реализации

Функция: отключить группировку символов

Ниже мы разбираем каждый шаг примера, чтобы вы поняли почему мы это делаем и как это способствует генерации html из pdf без нежелательного объединения символов.

Шаг 1: определить каталог вывода
Path outputDirectory = Utils.getOutputDirectoryPath("DisableCharactersGrouping");

Почему? Это гарантирует, что сгенерированные HTML‑файлы будут храниться в отдельной папке, что упрощает их поиск и управление позже.

Шаг 2: настроить формат пути к файлу
Path pageFilePathFormat = outputDirectory.resolve("page_{0}.html");

Почему? Использование плейсхолдера ({0}) позволяет просмотрщику создавать отдельный HTML‑файл для каждой страницы PDF, поддерживая порядок вывода.

Шаг 3: инициализировать параметры HTML‑просмотра
HtmlViewOptions viewOptions = HtmlViewOptions.forEmbeddedResources(pageFilePathFormat);

Почему? Встроенные ресурсы объединяют изображения, шрифты и CSS непосредственно с каждой HTML‑страницей, что идеально подходит для веб‑просмотрщиков или платформ электронного обучения.

Шаг 4: отключить группировку символов

setDisableCharsGrouping(true) отключает поведение по умолчанию, объединяющее соседние символы, обеспечивая отдельный рендеринг каждого глифа.

viewOptions.getPdfOptions().setDisableCharsGrouping(true);

Почему? Эта строка критически важна: она сообщает движку рендеринга не объединять соседние символы, гарантируя, что сгенерированный HTML точно отражает расположение глифов из исходного PDF.

Шаг 5: отрисовать документ

Viewer — основной класс, который открывает документ и предоставляет возможности рендеринга.

try (Viewer viewer = new Viewer("YOUR_DOCUMENT_DIRECTORY/HIEROGLYPHS_PDF")) {
    viewer.view(viewOptions);
}

Почему? Оборачивание Viewer в блок try‑with‑resources гарантирует автоматическое освобождение всех нативных ресурсов, предотвращая утечки памяти в длительно работающих приложениях.

Как отключение группировки символов улучшает точность HTML?

Отключение группировки заставляет движок выводить каждый глиф как отдельный HTML‑элемент, что сохраняет оригинальные интервалы, лигатуры и диакритические знаки точно так же, как они представлены в исходном PDF. Это приводит к верному веб‑представлению, необходимому для письменностей, где порядок и интервалы символов несут смысл, например, арабский, деванагари или древние иероглифы.

Каковы последствия отключения группировки для производительности?

Отключение группировки слегка увеличивает нагрузку на процессор, поскольку рендерер обрабатывает каждый символ индивидуально. На практике накладные расходы составляют менее 5 % для типичных 100‑страничных PDF и остаются ниже 12 % для документов более 500 страниц, при условии адекватного размера кучи JVM (например, -Xmx2g). Этот компромисс оправдан, когда требуется абсолютная визуальная точность.

Распространённые проблемы и решения

  • FileNotFoundException – Проверьте путь, передаваемый в new Viewer(...). Используйте абсолютные пути или Path.of(...) для ясности.
  • Write permissions – Убедитесь, что каталог вывода доступен для записи процессом Java; в Linux может потребоваться изменить права папки (chmod 775).
  • Version mismatch – Опция setDisableCharsGrouping доступна, начиная с версии 25.2. Убедитесь, что ваш pom.xml указывает правильную версию.

Практические применения

  1. Сохранение языков – Идеально для рендеринга документов на китайском, японском, арабском или древних письменностях, где интервал между символами имеет значение.
  2. Юридические и финансовые документы – Гарантирует точную репликацию текста для документов с высоким уровнем соответствия требованиям.
  3. Образовательные ресурсы – Подходит для учебников, включающих сложные диаграммы, аннотации или многоязычное содержание.

Соображения по производительности

  • Оптимизировать использование ресурсов – Большие PDF могут потреблять значительный объём памяти. Обрабатывайте страницы пакетами и своевременно освобождайте экземпляры Viewer.
  • Управление памятью Java – Настройте кучу JVM (-Xmx2g или больше), если планируется обработка PDF‑файлов со сотнями страниц.
  • Параллельный рендеринг – Для массовых конвертаций запускайте отдельные потоки, каждый со своим экземпляром Viewer, чтобы задействовать многоядерные процессоры.

Часто задаваемые вопросы

Q: Почему вообще нужно отключать группировку символов?
A: Отключение группировки предотвращает объединение символов, принадлежащих разным глифам, что критично для письменностей, где интервалы и порядок имеют смысл.

Q: Применяется ли настройка setDisableCharsGrouping только к HTML‑выводу?
A: Нет, она влияет на движок рендеринга PDF, поэтому любой формат вывода (HTML, PNG, JPEG и т.д.) отразит изменение.

Q: Можно ли совместить эту настройку с пользовательскими шрифтами?
A: Да — загрузите свои шрифты перед инициализацией Viewer, и правило группировки всё равно будет применено.

Q: Влияет ли отключение группировки на производительность?
A: Немного, поскольку движок обрабатывает каждый символ отдельно, но влияние минимально для большинства документов (обычно менее 5 % накладных расходов).

Q: Можно ли переключать группировку постранично?
A: В текущей реализации опция глобальна для экземпляра PdfOptions; для разных страниц потребуется создавать отдельные экземпляры Viewer.

Ресурсы

Последнее обновление: 2026-09-05
Тестировано с: GroupDocs.Viewer 25.2 for Java
Автор: GroupDocs

Связанные руководства