代码之家 › 专栏 › 技术社区 › lealceldeiro VonC

使用飞碟式PDF渲染将格式错误的HTML转换为PDF

pdf-rendering flying-saucer pdf html java

lealceldeiro VonC · 技术社区 · 7 年前

在项目中 ^GitHub 我正在尝试将任意HTML字符串转换为PDF版本。我指的是解析HTML,并将其呈现为PDF文件。

为了达到这个目的 Flying Saucer PDF Rendering 这样地:

public class Main {

    public static void main(String [] args) {
        final String ok = "<valid html here>: see github rep for real html markup here";
        final String html = "<invalid html here>: see github rep for real html markup here";
        try {
            // final byte[] bytes = generatePDFFrom(ok); // works!
            final byte[] bytes = generatePDFFrom(html); // does NOT work :(
            try(FileOutputStream fos = new FileOutputStream("sample-file.pdf")) {
                fos.write(bytes);
            }

        } catch (IOException | DocumentException e) {
            e.printStackTrace();
        }
    }

    private static byte[] generatePDFFrom(String html) throws IOException, DocumentException {
        final ITextRenderer renderer = new ITextRenderer();
        renderer.setDocumentFromString(html);
        renderer.layout();
        try (ByteArrayOutputStream fos = new ByteArrayOutputStream(html.length())) {
            renderer.createPDF(fos);
            return fos.toByteArray();
        }
    }
}

ok 变量(这是一个“有效的”html),它可以正确地创建PDF(如果您使用 好啊 变量它将创建一个文件 sample-file.pdf

现在,如果我在 html 变量(带有无效标记的html,标记可能未正确关闭,等等)它引发以下错误(错误可能因不正确的值而异):

ERROR:  'The markup in the document following the root element must be well-formed.'
Exception in thread "main" org.xhtmlrenderer.util.XRRuntimeException: Can't load the XML resource (using TrAX transformer). org.xml.sax.SAXParseException; lineNumber: 22; columnNumber: 9; The markup in the document following the root element must be well-formed.
    at org.xhtmlrenderer.resource.XMLResource$XMLResourceBuilder.transform(XMLResource.java:222)
    at org.xhtmlrenderer.resource.XMLResource$XMLResourceBuilder.createXMLResource(XMLResource.java:181)
    at org.xhtmlrenderer.resource.XMLResource.load(XMLResource.java:84)
    at org.xhtmlrenderer.pdf.ITextRenderer.setDocumentFromString(ITextRenderer.java:171)
    at org.xhtmlrenderer.pdf.ITextRenderer.setDocumentFromString(ITextRenderer.java:166)
    at Main.generatePDFFrom(Main.java:84)
    at Main.main(Main.java:72)
Caused by: javax.xml.transform.TransformerException: org.xml.sax.SAXParseException; lineNumber: 22; columnNumber: 9; The markup in the document following the root element must be well-formed.
    at com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl.transform(TransformerImpl.java:740)
    at com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl.transform(TransformerImpl.java:343)
    at org.xhtmlrenderer.resource.XMLResource$XMLResourceBuilder.transform(XMLResource.java:220)
    ... 6 more
Caused by: org.xml.sax.SAXParseException; lineNumber: 22; columnNumber: 9; The markup in the document following the root element must be well-formed.
    at com.sun.org.apache.xerces.internal.parsers.AbstractSAXParser.parse(AbstractSAXParser.java:1239)
    at com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl.transformIdentity(TransformerImpl.java:659)
    at com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl.transform(TransformerImpl.java:728)
    ... 8 more

据我所知,这是因为html字符串的“无效”部分。

重要提示:

分配给变量的值 好啊 html格式 这里只是一个问题的占位符。真正的是 here .
在实际项目中,html字符串是来自用户的输入。是的,他/她必须知道该放什么,但是,当然,他/她可能会在html构造中出错,所以我必须处理这个问题。

问题

飞碟PDF渲染 到 / 自动完成 自我清洁 / 或者其他的 ,然后继续创建PDF文件 ^(首选) .
有没有更好的方法可以用来克服这个问题。

2 回复 | 直到 7 年前

lealceldeiro VonC 6 年前

HtmlCleaner 库(请参见 maven link )在解析到飞碟库之前清理HTML代码。

// Clean the html to use in the flying saucer converting tool
// get the element you want to serialize
HtmlCleaner cleaner = new HtmlCleaner();
TagNode rootTagNode = cleaner.clean(html);
// set up properties for the serializer (optional, see online docs)
CleanerProperties cleanerProperties = cleaner.getProperties();
// use the getAsString method on an XmlSerializer class
XmlSerializer xmlSerializer = new PrettyXmlSerializer(cleanerProperties);
String cleanedHtml = xmlSerializer.getAsString(rootTagNode);

// use the https://github.com/flyingsaucerproject/flyingsaucer to convert cleaned HTML to PDF
ITextRenderer renderer = new ITextRenderer();
renderer.setDocumentFromString(cleanedHtml);
// ....

VioletGil 7 年前

最初的想法是通过另一个能够更好地处理html的库来解析您的输入,然后

https://jsoup.org/

五分钟的谷歌搜索发现这是一个非常合理的库。甚至还有一个测试实用程序可以尝试将格式错误的输入放入:

https://try.jsoup.org/