Latex格式html文件轉換pdf和docx文檔

原文地址-石匠的Blog: http://www.bugclosed.com/post/2

最近有需求將包含latex格式的html文檔轉換成pdf和docx文檔的需求，因爲以前徹底沒接觸過，最近幾天調研和實驗了一番後將格式轉換的關鍵點都實驗成功，總結記錄一下。

轉換原理

各類轉換工具對比以後選擇了號稱「格式轉換瑞士軍刀」的pandoc，pandoc功能強大且開源，從官方說明文檔就知道多厲害了。

因爲歷史緣由，須要轉換的html格式文件比較複雜，直接用pandoc轉換到docx，有極少數格式會出問題，致使轉換後的docx文件打開會提示格式錯誤。最後研究發現mathjax對各類格式的兼容處理比較強大，採用mathjax將原始latex文件轉換成mml格式後，再給到pandoc轉換docx就能夠了。

mathjax轉換部分找同事搭建了一個node.js服務提供轉換接口和css控制，只須要調用接口將原始latex數據轉換成mml格式，再講轉換後的格式替換掉原始html文件中的latex部分，最終生成包含mml格式的html文件。

環境搭建

轉換環境包括：

• mathjax node.js服務
• pandoc
• TeX Live
• stack工具(Haskell Platform)

mathjax服務是用來將原始html文件轉換成mml格式（若是你面對的latex格式並不複雜且很標準，那麼不須要這部分，直接用pandoc處理問題也不大），咱們這裏須要mathjax處理是由於咱們有遇到各類奇怪的latex格式，且pandoc對latex格式判斷比較嚴格，經過兼容性較好的mathjax處理一遍後有明顯效果。
pandoc是最終用來作格式轉換的工具，爲了安裝pandoc，須要用到Haskell環境，所以須要安裝stack來部署和管理整個Haskell。
pandoc不提供docx到pdf的直接轉換，只能採用mml到pdf的轉換方式，可是須要額外的latex轉換引擎支持才能作到，pandoc官方推薦使用TexLive。

TexLive安裝
首先下載安裝包
解壓後執行install-tl按照提示輸入I進行安裝，通過漫長下載等待後完成。安裝成功後xelatex可執行程序目錄在/usr/local/texlive/2016/bin/x86_64-linux/ ，須要記得將這個目錄加入到PATH環境變量中。

pandoc安裝
我是選擇源碼安裝方式，本身下載了pandoc-1.19.2
先安裝Stack工具：

curl -sSL https://get.haskellstack.org/ | sh

按照pandoc安裝說明文檔，切換到pandoc解壓目錄，執行：

stack setup
stack install --test

安裝成功後，須要注意pandoc可執行文件默認放到了/root/.local/bin，須要修改PATH環境變量才能找到。

轉換命令

轉換到docx的命令以下：

pandoc -s --mathml filename.mml -o output.docx

轉換到pdf的命令以下：

pandoc --latex-engine=xelatex filename.html -o output.pdf

還有不少其餘pandoc轉換命令和兼容格式，具體參考官方文檔。

轉換結果示例：

轉換pdf中文編碼處理

pandoc默認轉換到pdf的時候，中文處理會有問題，顯示不出來，須要添加字體支持。

pandoc -s old.html.html --latex-engine=xelatex -V mainfont=SimHei -o 20.pdf

上述命令指定用黑體轉換中文，經過mainfont參數指定中文字體，可是前提是你的系統裏面已經安裝了相關的中文字體支持，我在centos安裝中文，採用了這個連接的方法。查看系統支持的字體命令是 fc-list。

從word中提取latex公式

一樣能夠經過pandoc將word中的latex提取出來，具體作法就是將pandoc轉換爲markdown格式以後就能夠寫程序匹配出latex公式數據（$$之間的部分）

pandoc -s aaa.docx -t markdown -o aaa.md