pdf2htmlEX linux 安装踩坑指南

组里让调研在 linux 上实现 PDF 转 html 的工具，弄了差不多快四天，疯狂踩坑，不停地 Debug，终于把这个小小的活给搞定了，头都大了，觉得实在有必要复盘记录一下，不沉淀的话就没办法消化进步。一开始是在组里的服务器（Linux系统）上进行试验的，两个服务器已经被我装包装的乱七八糟了，所以装了 Ubuntu 18.04 的虚拟机，又按照自己写的文档试验了一遍，然鹅还是遇到了各种各样的 bug，再让我装一遍也不保证能一下成功。其实还有一些其他的 pdf 转 html 的工具，但是因为之前在 Windows 上用的 pdf2htmlEX 这个包师兄反馈说效果还不错，所以还是首选选择这个包在 Linux 上的安装，实在不行再去研究其他的包。

在 linux 上安装 pdf2htmlEX 有两种方案，一种是直接拉取 docker，另一种是源码安装。如果不是实在闲的没事干真的不建议源码安装，因为一装，大半天就没了，处理各种包的依赖报错着实是一件非常头大的事情。经历过这次工作，真正体会到了 docker 的香！

方案一：利用 docker

优点：非常简单，直接拉取pdf2htmlEX 的 Docker 镜像后即可使用；隔离环境，不用事先安装各种包及考虑各种包之间的依赖。
缺点：需要事先安装 Docker
参考：https://github.com/coolwanglu/pdf2htmlEX/wiki/Download
https://hub.docker.com/r/bwits/pdf2htmlex/

步骤：

  1. 在装有 Docker 的 linux 系统上运行：docker pull bwits/pdf2htmlex
    （可能需要 root权限）

运行 docker images 可以看到 bwits/pdf2htmlex 已经被拉取下来了：

  1. 使用 pdf2htmlEX 进行 pdf 转 html

将 pdf_files 文件夹传到 linux 上，并新建一个 html_files 用于存放转换好的 html 文件。

运行：docker run -ti --rm -v ~/pdf2html:/pdf2html bwits/pdf2htmlex pdf2htmlEX --dest-dir /pdf2html/html_files /pdf2html/pdf_files/test_1.pdf 就可以将 “~/pdf2html/pdf_files/test_1.pdf” 转换为 “test_1.html” 存放在 “~/pdf2html/html_files” 文件夹里面了。

这里注意，docker -v 命令是将宿主机的目录挂载到容器目录，即指定本地目录与 docker 目录的一一对应，冒号左边是宿主机目录，右边是容器的目录。--dest-dir 指定生成的 html 文件存放的位置，要用容器目录的绝对路径“/pdf2html/html_files”；最后一个参数 “/pdf2html/pdf_files/test_1.pdf” 也是用容器目录指示出 pdf 文件存放的位置。

也可以在 python 中运行 docker 命令：

import os
files = os.listdir('./pdf_files/')
for file in files:
    cmd = r"docker run -ti --rm -v ~/pdf2html:/pdf2html bwits/pdf2htmlex pdf2htmlEX --dest-dir /pdf2html/html_files /pdf2html/pdf_files/" + file
    # print(cmd)
os.system(cmd)

方案二：源码安装

[源码安装就是没有固定的套路，不知道会遇到什么样的报错，也不知道是哪一步/哪几步使得问题被解决，有时候成功了就是瞎猫碰上死耗子，再来一遍可能又不行了，但我还是忍不住在这上面花了很长时间琢磨，一个一个解决报错，debug，其实是自己在跟自己较劲，不过能解决掉的话，即使其中有运气成分，也还是会有豁然开朗的成就感的，在这个过程中，自认为是有收获的，没有虚度时光的空虚感。]

优点：不需要 Docker
缺点：安装非常非常非常麻烦，要预先安装各种包，可能要解决包之间的依赖冲突。
参考：https://github.com/coolwanglu/pdf2htmlEX/wiki/Building
https://gist.github.com/mohammedyunus009/914ea2b3cb32d0a196bb58d5892f6325
（主要是参考的第二个链接中的脚本，但是里面有的步骤存在问题，会导致安装出错，所以请按照下面的步骤安装）

源码的安装主要分为如下四步：（需要在root权限下）

  1. 安装依赖包：（这里是在 Ubuntu上进行测试的，所以使用 apt-get，其他Linux 系统请使用对应的安装命令）
apt-get update
apt-get install -qq -y cmake gcc libgetopt++-dev git   # 脚本中的 -qq不行的话改为 -f，-f 表示强制执行
apt-get install -qq -y pkg-config libopenjpeg-dev libfontconfig1-dev libfontforge-dev poppler-data poppler-utils poppler-dbg
# 这里安装了很多包，如果偶有一两个没装成功的，可以先放过
  1. 安装 poppler 包（这部分和脚本中的一样）
wget http://poppler.freedesktop.org/poppler-0.33.0.tar.xz
tar -xvf poppler-0.33.0.tar.xz
cd poppler-0.33.0/
./configure --enable-xpdf-headers
make
make install
  1. 安装 fontforge（注意这一步不是按照脚本中的git clone 方式来的，因为git clone下来的包安装会出错）
    打开 pdf2htmlEX 的作者提供的 fontforge 包的链接：https://github.com/coolwanglu/fontforge/tree/pdf2htmlEX
    手动下载，并传到 linux 系统上
    然后按照里面的 INSTALL-git.md 进行安装：
./autogen.sh
./configure
make
sudo make install

【注】fontforge 这个包的安装是关键，之前安装了很多次均失败，上述方式是测试过可以成功安装的，如有报错请尝试解决。这一步安装成功不报错的话，后面就会比较顺利。从这一步往后有参考这个博客：https://blog.csdn.net/paulluo0739/article/details/54286889

  1. 安装 pdf2htmlEX
git clone --depth 1 https://github.com/coolwanglu/pdf2htmlEX.git   # git clone 可能会因为网络原因不成功，换个时间重试）
cd pdf2htmlEX/
export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig    # 这一步要有，脚本上没写
cmake .
make
sudo make install

（到这里就安装成功了，但是还需要最后一步才能正常调用）

echo 'export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

运行 pdf2htmlEX -h 出现 pdf2htmlEX 的帮助信息：

将 pdf_files 文件夹中的 test_1.pdf 转换为 html 放在 html_files：

pdf2htmlEX --dest-dir html_files pdf_files/test_1.pdf

也可以像方案一中一样用 os.system() 在 python 中调用。

上面两个方案写完了文档就交工了，然后又自己在虚拟机上进行测试，结果还是遇到各种各样的问题：

  1. 问题：http://poppler.freedesktop.org/poppler-0.33.0.tar.xz 访问不了，下载不下来
    解决：在浏览器中下载，手动放到目录

  2. 问题：./configure --enable-xpdf-headers 报错包缺失：No package 'libopenjp2' found
    解决：虚拟机是 14.04版本，可能没有 libopenjp2 包，计划安装18.04版本的虚拟机再试试。

[以下为在新安装的 linux 18.04 测试安装遇到的问题]

  1. 问题：’ libgetopt++-dev’ 安装不成功


解决：和问题4一样，更换了源就可以安装了

  1. 问题：apt-get install -qq -y pkg-config libopenjpeg-dev libfontconfig1-dev libfontforge-dev poppler-data poppler-utils poppler-dbg 这条命令中，有几个没有安装成功。
    解决：更换源（https://www.jianshu.com/p/f2d386bc0d5c），Linux 自带的源很少，很多包都没有。
    apt-get install poppler-dbg 成功安装 popper-dbg
    apt-get install libopenjpeg-dev 成功安装 libopenjpeg-dev
    （因为有些包找不到而卡了好久，如果早点换源早就解决了。。。）

  2. 同样遇到了问题2：No package 'libopenjp2' found
    解决：apt-get install libopenjp2-7 不管用，还是需要 ‘libopenjp2’
    apt-get install libopenjp2-tools 不管用
    apt-get install libopenjp2-7-dev 可以了，不知道是单这一步起作用了，还是加上前两步一起

  3. 回头解决问题3：apt-get install libgetopt++ （心得：多试试多撞撞，总能碰上死耗子）
    继续解决问题4：apt-get install libfontforge-dev 安装好了 libfontforge-dev

  4. 安装 fontforge 时运行 ./autogen.sh 出现：

    解决：apt-get install automake 成功解决

  5. fontforge 安装中的 make 这一步：

    （先不要一上来就去搜报错信息，尝试仔细看和分析报错信息，深入研究，找到问题根源。）
    直觉应该是缺包，然鹅并不是，整了一天还是没有解决orz。已经在这个小工作上耗费了快一周的时间了，还是没有摸索出源码安装的可用套路。十一月已经过去三分之一了，主线工作却还没有做，所以不能够继续在这里花费时间了，暂时把这个幽灵一样的bug放一放，以后有心情再回来解决吧，虽然大概率是不会回来了。

感想：客观评价这件事可以做到的话，只要不放弃，就一定会解决问题达到目标。这次的任务自认为完成得还不错，花了很多时间，更多的是在较着一股劲，所以坚持到了最后。Docker 安装的教训：成功运行的命令一定要立刻记录下来，不要顾着嘚瑟，否则很快就会忘记，后面遇到同样的坑还是会往里跳。唯一可以超越别人的长处：吸取教训并牢记，不再犯同样的错误。在解决bug的过程中，不知道是哪个/哪几个步骤导致成功，训练出的是一种找原因和解决问题的套路。再复杂的事情都是有规律可循的：粉色和蓝色表示警告，不用管；红色表示错误；make 步骤也是在每个文件夹中迭代做同样的步骤。既然知道了复杂的事情都是有规律的，再面对复杂的信息就不必手足无措了，有时候只是因为时间有限，没办法研究很久，所以无法解决，只是一种时间和精力的取舍罢了。一周的折腾，最大的经验教训就是，在 linux 上装东西，千万不要想不开用源码安装，用 docker 不香吗。

posted @ 2021-11-10 09:22  胡萝不青菜  阅读(1764)  评论(5)  编辑  收藏  举报