« 2006年09月02日 | メイン | 2006年09月04日 »
2006年09月03日
PDFからHTMLに変換（１）
PDFを表示するには専用のビューアが必要ですし、WebでPDFを見かけると、「煩わしい！」と思ってしまいます。そういう印象をもつひとは私以外にも大勢いると思います。
PDFをHTMLにしてからWebで公開するのも良いのではないか？と考える人も多いことでしょう。そこでPDFからHTMLに変換するソフトについて現状を調べてみたいと思います。
リッチテキスト・コンバータ
ちなみにアンテナハウスの「リッチテキスト・コンバータ」でもPDFからHTML変換ができます。リッチはPDF専用というわけではないので、ワープロ文書ファイルからHTMLへの変換もできます。営業担当者にWeb掲載のニュースを作ってもらうとこれでやっているようです。この「Webレポート作成システム紹介セミナー」ご案内ページはリッチで作ったもの。
PDFはどうかと言いますと、PDFについても文字や表のレベルであれば大体正しくHTMLに変換できます。
次の変換例をご覧ください。
■オリジナルのPDFファイル 契約書の雛形例（PDF）
■変換後のHTML 契約書の雛形例（HTML）
※「リッチテキスト・コンバータ2005R3」（未発売）で変換。変換先設定は既定値です。
ところで、このHTMLのリンクをブラウザでたどると、IE6、FireFoxともAgreement.htmファイルをUTF-8と判定してしまいます （正しい文字コードはシフトJISです）。
《※9月4日追記 上の文章は、サーバ側の設定が原因でした。9月4日に設定を変更しましたので、現在、文字符号化方式が正しく判定されるようになっています。詳しくはコメントをご覧ください。》
・Agreement.htmファイルはxhtml形式です。
・Agreement.htmファイルをローカルでFireFoxで見ると、文字符号化方式自動判定でシフトJISになります。
・XML妥当性検証パーサでは妥当なXMLと判定されます。
・Another HTMLLintでは99点です。(title 要素の内容がないのが減点１）。
・XML宣言でもencoding="Shift_JIS"と宣言していますし、<meta http-equiv="Content-Type" content="text/html; charset=Shift_JIS" />も出力しています。
なぜ文字符号化方式を正しく判定できないのでしょうか。ブログサーバの方になにか問題がありそうに思います。
同じファイルを他のWebサーバにアップすると、リンク先ファイルの文字符号化方式が正しく判定できます。
契約書の雛形例 (HTML をWebサーバにアップしたもの)
