itextsharp - 如何将多个 HTML 文件解析为单个 PDF？

Question

我想使用 iText 将一系列 html 文件转换为 PDF。

例如:如果有这些文件:

page1.html

page2.html

page3.html

...

现在我想创建一个 PDF 文件，其中 page1.html 是第一页，page2.html 是第二页，依此类推...

我知道如何将单个 HTML 文件转换为 PDF，但我不知道如何将由此操作产生的这些不同的 PDF 合并为一个 PDF。

Answer 1

开始之前:我不是 C# 开发人员，所以我不能给你一个 C# 的例子。我写的所有 iText 示例都是用 Java 编写的。幸运的是，iText 和 iTextSharp 始终保持同步。在这个问题的上下文中，您可以放心，任何适用于 iText 的东西也适用于 iTextSharp，但您必须进行特定于 C# 的小调整。从我从 C# 开发人员那里听到的，这通常不难实现。

关于答案:有两个答案，答案#2 通常比答案#1 好，但我给出了两个选项，因为可能存在答案#1 更好的特定情况。

测试数据:我创建了 3 个简单的 HTML 文件，每个文件都包含有关美国某个州的一些信息:

page1.html :加利福尼亚

page2.html : 纽约

page3.html : 马萨诸塞州

我们将使用 XML Worker 解析这三个文件，结果我们想要一个 PDF 文件。

答案 #1:见 ParseMultipleHtmlFiles1获取完整代码示例和 multiple_html_pages1.pdf对于生成的 PDF。

您说您已经成功地将一个 HTML 文件转换为一个 PDF 文件。假设您是这样做的:

public byte[] parseHtml(String html) throws DocumentException, IOException {
    ByteArrayOutputStream baos = new ByteArrayOutputStream();
    // step 1
    Document document = new Document();
    // step 2
    PdfWriter writer = PdfWriter.getInstance(document, baos);
    // step 3
    document.open();
    // step 4
    XMLWorkerHelper.getInstance().parseXHtml(writer, document,
            new FileInputStream(html));
    // step 5
    document.close();
    // return the bytes of the PDF
    return baos.toByteArray();
}

这不是解析 HTML 文件的最有效方法(网站上还有其他示例)，但它是最简单的方法。

如您所见，此方法将 HTML 解析为 PDF 文件并以 byte[] 的形式返回该 PDF 文件。 .由于我们想要创建单个 PDF，我们可以将此字节数组提供给 PdfCopy实例，以便我们可以连接多个文档。

假设我们有三个文件:

public static final String[] HTML = {
    "resources/xml/page1.html",
    "resources/xml/page2.html",
    "resources/xml/page3.html"
};

我们可以遍历这三个文档，将它们一一解析为 byte[] , 创建 PdfReader实例与 PDF 字节，并将文档添加到 PdfCopy使用 addDocument() 的实例方法:

public void createPdf(String file) throws IOException, DocumentException {
    Document document = new Document();
    PdfCopy copy = new PdfCopy(document, new FileOutputStream(file));
    document.open();
    PdfReader reader;
    for (String html : HTML) {
        reader = new PdfReader(parseHtml(html));
        copy.addDocument(reader);
        reader.close();
    }
    document.close();
} 

这解决了您的问题，但为什么我认为这不是最佳解决方案？

假设您需要使用需要嵌入的特殊字体。在这种情况下，每个单独的 PDF 文件都将包含该字体的一个子集。不同的文件需要不同的字体子集， PdfCopy (也不是 PdfSmartCopy)可以合并字体子集。这可能会导致臃肿的 PDF 文件包含太多相同字体的字体子集。

我们如何解决这个问题？这在答案#2 中有解释。

答案 #2:见 ParseMultipleHtmlFiles2获取完整代码示例和 multiple_html_pages2.pdf对于生成的 PDF。您已经看到文件大小的差异:4.61 KB 与 5.05 KB(我们甚至没有引入嵌入字体)。

在这种情况下，我们不会像在 parseHtml() 中那样将 HTML 解析为 PDF 文件。答案#1中的方法。相反，我们将 HTML 解析为 iText ElementList使用 parseToElementList()方法。这个方法需要两个 String s。一个包含 HTML 代码，另一个包含 CSS 值。

我们使用实用方法将 HTML 文件读入 String .至于CSS值，我们可以通过 null至 parseToElementList() ，但在这种情况下，默认样式将被忽略。您会注意到 <h1>如果您不通过 default.css，我们在 HTML 中引入的标签将看起来完全不同。随 XML Worker 一起提供。

长话短说，这是代码:

public void createPdf(String file) throws IOException, DocumentException {
    Document document = new Document();
    PdfWriter.getInstance(document, new FileOutputStream(file));
    document.open();
    String css = readCSS();
    for (String htmlfile : HTML) {
        String html = Utilities.readFileToString(htmlfile);
        ElementList list = XMLWorkerHelper.parseToElementList(html, css);
        for (Element e : list) {
            document.add(e);
        }
        document.newPage();
    }
    document.close();
}

我们创建了一个 Document和一个 PdfWriter实例。我们将不同的 HTML 文件解析为 ElementList s 一一，我们将所有元素添加到 Document .

当你想要一个新页面时，每次解析一个新的 HTML 文件时，我都会引入一个 document.newPage() .如果删除此行，则可以在单个页面上添加三个 HTML 页面(如果您选择答案 #1，这是不可能的)。