Skip to content
Skills Library
Documents & office · Conversion & formats

everything2html

/everything2html

把任意文件(PPT/PDF/Word/Excel/图片)1:1 复刻成 HTML。当用户说"把这个文件渲染成网页 / 转成 html / 用前端复刻 / 网页版打开看看 / 这个 ppt 能不能用网页展示",或需要把一份文档变成可直接双击浏览、可缩放、可打印的网页时使用。输出是原件的像素级复刻,不是"长得很像"的转写。

Author
yzyg6 ↗
Licence
MIT
Last repository change
31.10.2026

Assessment and security

98/ 100Class: good
Format25 / 25
Frontmatter with name and description, valid name, description up to 1,024 characters, name matching the folder.
Discoverability25 / 25
Description explains when to use the skill, has a reasonable length and uses third person.
Content35 / 35
At least 150 words and at most 500 lines, headings, step lists, examples or code.
Hygiene13 / 15
No placeholders such as TODO, no Windows paths, with a licence.
Riskno signals detected in the scan
Files in this package
6
Scripts
0
HTML comments
0
URLs in SKILL.md
0
Deprecation

No signals detected. Repository changed on 31.10.2026, without references to retired models or APIs.

Licence

MIT, open: use and modify while retaining author attribution.

What it does and when to use it

把任意文件(PPT/PDF/Word/Excel/图片)1:1 复刻成 HTML。当用户说"把这个文件渲染成网页 / 转成 html / 用前端复刻 / 网页版打开看看 / 这个 ppt 能不能用网页展示",或需要把一份文档变成可直接双击浏览、可缩放、可打印的网页时使用。输出是原件的像素级复刻,不是"长得很像"的转写。

Triggers from the description

把这个文件渲染成网页 / 转成 html / 用前端复刻 / 网页版打开看看 / 这个 ppt 能不能用网页展示长得很像
Original author description

把任意文件(PPT/PDF/Word/Excel/图片)1:1 复刻成 HTML。当用户说"把这个文件渲染成网页 / 转成 html / 用前端复刻 / 网页版打开看看 / 这个 ppt 能不能用网页展示",或需要把一份文档变成可直接双击浏览、可缩放、可打印的网页时使用。输出是原件的像素级复刻,不是"长得很像"的转写。

How it works

  1. 快速开始
  2. 字体统一(可选)
  3. 重影(假投影)自检
  4. 管线
  5. 输出结构
  6. 关键实现细节(改动前务必读)
  7. 自检标准
  8. 已知限制
  9. 排查
  10. 环境变量
Original SKILL.md headings · 217 lines, 762 words
SKILL.md preview
---
name: everything2html
description: 把任意文件(PPT/PDF/Word/Excel/图片)1:1 复刻成 HTML。当用户说"把这个文件渲染成网页 / 转成 html / 用前端复刻 / 网页版打开看看 / 这个 ppt 能不能用网页展示",或需要把一份文档变成可直接双击浏览、可缩放、可打印的网页时使用。输出是原件的像素级复刻,不是"长得很像"的转写。
---

# everything2html

**任意文件 → 一个 1:1 复刻的 HTML。**

不是画册、不是查看器、不是"语义重排"。输出就是那份文件本身:同样的页面尺寸、同样的坐标、同样的字体、同样的断行。打开 index.html,你看到的是原件。

## 快速开始

```bash
# 渲染(默认带自检)
python scripts/e2h.py render "某个文件.pptx"

# 指定输出目录
python scripts/e2h.py render "文件.pdf" -o "rendered/我的海报"

# 跳过自检(赶时间时用)
python scripts/e2h.py render "文件.docx" --no-verify
```

依赖(首次使用先装):

```bash
pip install -r requirements.txt
# 或手动:pip install pymupdf fonttools brotli pillow numpy
```

环境要求:Python 3.9+。pptx/docx/xlsx 走本机 Office COM 导出 PDF,因此**需要 Windows + 已安装 Office**;
pdf 与图片两条路径在 macOS / Linux 上同样可用(`E2H_CHROME` 需指向本机 Chrome)。

## 字体统一(可选)

原件里常混着 Arial Narrow / Calibri / Times New Roman / 宋体 / 等线,看久了不齐。

```bash
python scripts/e2h.py render "文件.pptx" --unify-font            # 西文→Arial,中文→雅黑
python scripts/e2h.py render "文件.pptx" --unify-font yahei      # 全部→微软雅黑(无例外)
```

`--unify-font`(= `arial`):

- **Arial Narrow 保留**——它本就属于 Arial 家族;换成 Arial 会宽约 18%,长标题必然溢出
- **符号与数学字体保留**(Symbol / Wingdings / Cambria Math),换掉会掉字
- 其余西文一律 Arial;中文因为没有 Arial 字形,走 Microsoft YaHei

`--unify-font yahei`:

- 西文、符号、数学、Narrow **全部**走 `Microsoft YaHei`,不留例外
- 雅黑缺 3 个字符(`❖` U+2756、`⟶` U+27F6、`₄` U+2084),字体栈尾部挂 `Segoe UI Symbol` 兜住,否则出豆腐块
- 雅黑比 Arial Narrow 宽约 23%、比 Calibri 宽约 31%,长行按**原 bbox 右边界** `scaleX()` 压回(只压不拉)

两种模式都适用、且容易踩的三条:

1. **字重必须显式补回**:粗体藏在字体文件里(`Calibri-Bold`、`Arial-BoldMT`),换成常规体后整段变细 → 对原 Bold 段落追加 `font-weight:700`;字体没内嵌(`extract_font` 返回 0 字节)时同样要补。
2. **基线要跟着换**:`line-height:1` 时基线只由 `ascender-|descender|` 决定 —— 雅黑 0.796em、Arial 0.693em、Calibri 约 0.47em。沿用原字体的升降部,整段会整体下移 1~4pt(32pt 标题直接压到下面的分隔线上)。见 `_UNIFY_AD`。
3. **压缩基准是原 bbox,不是页面右边界**:按页面边界压,长行仍会顶到右边邻居。实测一份 30 页报告 4 段触发压缩(23%~31%),基线偏移量归零后最大像素差异 5.8%。

不加这个开关 = 逐字保留原字体,严格 1:1。

## 重影(假投影)自检

PPT 里常见「文字被贴成矢量图/位图,底下又留一层可选中文本」。原 PDF 看不出问题(上层盖住下层),
转成 HTML 后 DOM 文字永远在最上层,底下那份就从缝里透出来 —— 表现为**文字带红色/黑色重影,像加了投影**;
一旦换字体(雅黑 vs 原字体),重影立刻暴露。

`_mark_covered_text()` 的做法:把整页文字抹掉重渲染一次,与原页逐段在文字框内比像素。
抹掉后几乎没变化(差异 <5%)的段落,说明本来就被盖着 → 标记 `hidden`,最终渲染成 `color:transparent`
(仍可选中、可检索,但不参与视觉)。实测 30 页 709 段里命中 14 段,全在原设计里被图形复盖。

排查顺序:先看 `get_text` 的 span 颜色是否与肉眼所见一致(不一致 = 有图形压在上面),
再确认该区域是矢量线稿(`PDF_REDACT_LINE_ART_NONE` 抹不掉)还是位图(`PDF_REDACT_IMAGE_NONE` 抹不掉)。


## 管线

```
源文件
 ├─ pptx/ppt      → PowerPoint COM 导出 PDF(保真度最高,分页/字体效果全保留)
 ├─ docx/doc/rtf  → Word COM 导出 PDF
 ├─ xlsx/xls      → Excel COM 导出 PDF
 ├─ pdf           → 直接进管线
 └─ png/jpg/...   → PyMuPDF 包成单页 PDF(原字节嵌入,不二次编码)
        ↓
   PyMuPDF 逐 span 抽取:文字(位置/字号/颜色/字体/字间距) + 图片 + 矢量图形
        ↓
   复杂图形 → 区域栅格化;简单填充矩形 → CSS div
        ↓
   内嵌字体子集 → woff2(原件用什么字体,网页就用什么字体)
        ↓
   HTML:绝对定位、零 JS、--u 等比缩放、打印切回真实尺寸
        ↓
   自检:Chrome 渲染回 PDF,与原 PDF 比像素 + 比文字坐标
```

## 输出结构

```
rendered/<原文件名>/
├── index.html          主文件,双击打开
├── assets/
│   ├── p0_8.png        第 1 页的第 8 号图片
│   ├── p0_r0.png       第 1 页的栅格化区域(图表/公式/SmartArt)
│   └── fonts/F0.woff2  内嵌字体子集
├── source.pdf          归一后的 PDF(中间产物,可留作对照)
└── _report.md          自检报告
```

**注意**:必须整个文件夹一起用。单独发 index.html 出去会丢图丢字体。

`source.pdf` 和 `_check.pdf` 是中间产物(归一后的源 + 自检用的渲染),核对完可以删,能省一半体积。

## 关键实现细节(改动前务必读)

### 1. 行盒模型 —— 决定文字能不能对齐

CSS `line-height:1` 时基线在 `top + (1-(A+D))/2*size + A*size`,不是 `top + A*size`。
少减这一项,整页文字会系统性下沉 `0.05em`(42pt 字约 2.25pt)。

```python
top = origin.y - size * (0.5 + (asc + desc) / 2.0)
```

`asc`/`desc` 取自 PyMuPDF span 的 `ascender`/`descender`。校准后纵向偏差中位数可到 **0.00pt**。

### 2. 分散对齐 / 字间距 —— 必须用 rawdict

Word 的"分散对齐"、PPT 的"加宽",在 PDF 里是**逐字符定位**实现的。`get_text("dict")` 会把它们吃掉,变成紧排的"主题"而不是"主 题"。

解法:用 `rawdict` 拿到每个字符的 origin,算实际步进与字体自然步进之差,还原成 CSS `letter-spacing`:

```python
adv  = chars[i+1].origin.x - chars[i].origin.x
nat  = font.hmtx[glyph] / upem * size
ls   = mean(adv - nat)
```

### 3. 图片的三个坑

| 现象 | 原因 | 处理 |
|---|---|---|
| 图整块丢失 | 内联图像(`xref=0`),不在 `get_image_info` 的正常列表里 | 回落成区域栅格化 |
| 透明区变黑 | 有 SMask(软蒙版),`extract_image` 只给底图不给 alpha | 取 `d["smask"]` 当 alpha 合回去 |
| 渐变条消失 | 渐变在 PDF 里可能是一张 1px 高的内联图 | 同上,栅格化 |

### 4. 复杂图形 = 区域栅格化,但文字不进栅格

`get_drawings()` 里只有一个 `re`、有 fill、无 stroke 的矩形 → 直接出 CSS div(清晰、体积小)。
其余(多图元路径、图表、公式、SmartArt)→ 聚簇成包围盒,从页面渲染里裁图。

**裁图前先在副本页上把落在该区域的文字 redaction 掉**(`fill=False`,只删文字、不留白块),
文字一律留给 HTML 层。位图文字和矢量文字混排会立刻露馅——同一段话里有的清晰有的糊,
栅格缩放后字宽也对不上,看起来就是"字体和图片打架"。文字全走 DOM 才能保证清晰、可选中、可检索。

### 4b. 零厚度 bbox 的细线

水平/垂直线在 PDF 里 `rect` 的高度(或宽度)为 0,直接栅格化只会得到空 clip。
按描边宽度把 bbox 补成有厚度的矩形,再用 CSS 矩形输出,比分母图清晰。
旧版把这类图形直接丢弃——标题下的分隔线就是这么消失的。

### 5. 尺寸:零 JS 的等比缩放

```css
:root{ --u: calc(min(96vw, 96vh*<宽高比>) / <页宽pt>); }
@media print{ :root{--u:1pt;} @page{ size:<页宽>pt <页高>pt; margin:0 } }
```

屏幕上一屏放得下整页,打印出来还是真实尺寸(1pt = 1pt)。所有坐标写成 `calc(var(--u)*N)`。

### 6. 字体子集

PDF 里嵌的子集字体带可用 cmap,抽出来转 woff2 就能直接用 —— 这是 1:1 复刻最关键的一环。
字体栈写成 `F1,'Arial Narrow',serif`:web 字体没被浏览器接受时(预览服务不带 assets、字体被拦截、
直接单发 index.html 等)还能用系统里的同名字体兜底,字宽不至于跑偏。旧版一律回退 `serif`,
一失败整页文字就掉进 Times,字形和字宽全变。
若某字体抽不出(无 cmap / 加密),该 span 会回落 `serif`,行宽会变,`_report.md` 里能看到像素差异升高。

## 自检标准

| 指标 | 阈值 | 怎么看 |
|---|---|---|
| 像素差异 | ≤ 8% | `_report.md` |
| 文字段匹配率 | 100% | `textdiff.py` |
| 纵向偏差中位 | ≤ 0.5pt | `textdiff.py` |
| 横向偏差中位 | ≤ 0.5pt | `textdiff.py` |

```bash
python scripts/textdiff.py rendered/X/source.pdf rendered/X/_check.pdf
```

实测基准:PDF 4.02%、Word 3.44%、PPTX 2.95%、图片 0.00%(阈值 8% 是按"人眼几乎看不出差别"定的)。

## 已知限制

- **z 序**:输出顺序是 矩形 → 图片 → 栅格 → 文字,不完全是 PDF 内容流的真实顺序。背景矩形压住文字这种极端情况会出错。
- **旋转文字**:0°/90°/180°/270° 已精确(`left` 取 span origin、`transform-origin` 落在基线上、字间距沿 `dir` 投影);斜排文字靠 `rotate()` 近似,位置可能有 1~2pt 偏移。
  历史坑:`left` 若取 bbox 左边、轴心留在文本框左上角,竖排标签会整体偏一个字号高(11pt 字偏 10pt)。
- **加密 PDF**:PyMuPDF 打不开就直接报错,不静默降级。
- **无 Office 环境**:pptx/docx/xlsx 依赖本机 PowerPoint/Word/Excel COM,没有 Office 就只剩 pdf/图片两条路。
- **超大文档**:几百页的文件会生成几十 MB 的 HTML,浏览器打开会卡(这是"零 JS + 绝对定位"的代价)。
- **扫描件**:没有文字层,整页就是一张图 —— 这是正确的 1:1 复刻,但没法选中文字。

## 排查

| 症状 | 先看 |
|---|---|
| 文字整体偏下/偏上 | 行盒模型公式(第 1 条) |
| 某个词挤在一起 | 字间距没还原(第 2 条),看 `rawdict` 的 char origins |
| 一块图黑底 | SMask 没合(第 3 条) |
| 打印出来是 A4 被裁 | `@page` 尺寸没写对 |
| 页面打开只能看到一个角 | `--u` 的 `min()` 没生效 |
| 像素差异 >8% | 先看 `_report.md` 是哪一页,再渲染出来肉眼比 |

## 环境变量

- `E2H_DPI`:区域栅格化分辨率,默认 200。图表密集的页可调到 300。
- `E2H_CHROME`:Chrome 路径,默认 `C:\Program Files\Google\Chrome\Application\chrome.exe`。
Files in this package (6)
  • .gitattributes 1 KB
  • .gitignore 1 KB
  • LICENSE 1 KB
  • README.md 9 KB
  • SKILL.md 11 KB
  • requirements.txt 1 KB

Versions

The database has no other skills named everything2html.

Database snapshot: 13.11.2026 · package version e2c9359cf4a9 (SHA-256 digest of the entire package)

Downloads in the last 30 days: 0 · ranking

Report a problem with this skill: harmful content, incorrect descriptions or an author’s removal request.

Similar skills

  • 98office-archive
    把散落的 Word / Excel / PPT / PDF 收进归档库:先只读扫描生成方案,用户确认后再复制或移动,逐个校验 SHA256,并刷新 00_索引 下的文件索引、迁移清单和还原脚本。当用户说桌面或下载目录堆满文件、要按课程作业/课程资料/电子书归类、或要整理某个办公文档目录时使用。
  • 100compdf-conversion-cli
    MUST use for ANY PDF or image format conversion task — converting PDF and images (JPG/JPEG/PNG/BMP/TIFF/TIF/WEBP/JPEG2000) to 10 formats (Word, Excel, PPT, HTML, Image, TXT, JSON, Markdown, RTF, CSV) with AI layout analysis and OCR support. This skill takes PRIORITY over pdf,…
  • 100sn-da-non-spreadsheet-analysis
    Word / PDF / PPT 文档解析与数据分析引擎。覆盖三类文件格式的全量提取、表格数值化、图表理解与跨文档汇总分析。**遇到以下任一情况就主动使用本 skill**:①用户上传或指定了 .docx / .doc / .pdf / .pptx / .ppt 文件并要求分析、提取或统计其中内容;②用户出现触发词:Word分析 / PDF解析 / PPT提取 / 文档分析 / 报告解析 / 幻灯片分析 / 发票提取 / 合同分析 / 文档统计 / 错别字 / 语病 / 字号检查 / 简历分析 /…
  • 100omni2docx
    把 Omni 解析结果重建为 Word / HTML / PPT:页锚点分页、真标题+目录、表格脚注溯源、多源证据附录。Do NOT use for: 像素级版面复刻、无 omni-reader 的解析层(--md 直出除外);Triggers: Omni 转 Word/HTML/PPT / 保真重建 / 多源证据整合 / 扫描件转 Word / 公众号排版 / 汇报 deck; omni to docx / parse to deck。开关与制式:--profile 公文/诉讼/研报制式,--pdf 打印件、--inline 公众号不重排、版式池 kpi/compare/timeline。
  • 88memory-office-docs
    Use when 创建/修改/验证 Word、Excel、PPT、PDF 等 Office 文档及生成代码:docx-js、openpyxl、python-pptx、PyMuPDF、OMML 公式、soffice/LibreOffice 转换、mupdf 渲染、批量插图、教学讲义与报告生成。遇到 docx 打开报错、Excel 写入异常、PDF/中文字体问题、文档验证超时等踩坑时使用。含用户长期沉淀的文档生成经验。
  • 85foliq
    Search, read and cite local documents (PDF, Word, PowerPoint, Excel, HTML, Markdown) with the foliq CLI. Use when a question needs facts from the user's documents or files in an indexed folder.

Feedback and reports

Your message goes to Bartosz Sokoliński. An email address is needed only for a reply. See the privacy policy.