Conversion PDF / PPT (y compris scans) vers HTML fidèle

Nous recherchons un développeur freelance expérimenté pour créer une solution permettant de convertir différents types de documents en HTML avec un rendu très fidèle à l’original.

Les documents sources peuvent être :

PDF natifs

PDF scannés (images)

PowerPoint (PPT / PPTX)

L’objectif est d’obtenir un HTML qui reproduit quasiment parfaitement la mise en page du document :

position des textes

tableaux

images

colonnes

titres

styles

La fidélité visuelle est très importante.

Cas particulier : PDF scannés

Pour les documents scannés, une étape OCR sera nécessaire afin de reconstruire :

le texte

la structure du document

la position des éléments

Résultat attendu

Une conversion produisant :

un HTML fidèle au layout du document

idéalement avec les coordonnées des blocs (bounding boxes) pour permettre des interactions ultérieures (surlignage, annotations, etc.)

Exemples de documents à traiter

rapports PDF

présentations PowerPoint

documents scannés (factures, rapports, etc.)

Compétences recherchées

OCR avancé (Tesseract, PaddleOCR, etc.)

parsing de documents

reconstruction de layout

génération HTML / CSS fidèle

traitement PDF / PPT

La connaissance d’outils ou librairies comme :

pdf2htmlEX

Docling

Apache Tika

Unstructured

ou équivalents

est un plus.

Livrables

code ou API permettant la conversion

documentation simple pour l’utilisation

exemples de conversions réussies

Informations à fournir dans votre candidature
Merci d’indiquer :

votre expérience avec ce type de conversion

les outils / librairies que vous envisagez d’utiliser

éventuellement des exemples ou démos.

Projet pouvant évoluer vers une collaboration plus longue si les résultats sont concluants.