使用飞碟 PDF 渲染将格式错误的 HTML 转换为 PDF

Question

在一个项目 ^GitHub 中，我正在尝试将任意 HTML 字符串转换为 PDF 版本。我所说的转换是指解析 HTML，并将其呈现为 PDF 文件。

为了实现这一点，我使用 Flying Saucer PDF Rendering 这样的：

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();
        }
    }
}

在上面的代码中，如果我使用存储在 ok 变量中的 html 字符串（这是一个 "valid" html），它会正确创建 PDF（如果你运行 GitHub 项目通过使用 ok 变量，它将在项目文件夹中创建一个文件 sample-file.pdf，其中包含一些渲染的 html).

现在，如果我使用 html 变量中的值（html 带有无效标签，标签可能未正确关闭等），它会抛出以下错误（错误可能因不正确的值):

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

现在，据我所知，这是因为 html 字符串的 "invalid" 部分。

重要提示：

此处分配给变量ok和html的值只是问题的占位符。真实的是 here.
在实际项目中，html字符串是来自用户的输入。是的，he/she 必须知道放在那里什么，但是，当然，he/she 会在 html 构造中犯一些错误，所以我必须处理这个。

问题

有什么办法可以"tell"到飞碟PDF渲染到忽略/自动完成/清理自身/或任何其他，那些"invalid"部分并继续创建PDF文件^（首选）.
我可以使用更好的方法来克服这个问题。

Answer 1

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 toString() 该库的结果转换为 PDF渲染器。

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，您可以尝试将格式错误的输入输入：

https://try.jsoup.org/

Answer 2

由于我在使用 Flying Saucer 从 HTML 生成 PDF 时遇到了同样的问题，所以我在解析为 Flying Saucer 之前使用 HtmlCleaner library (see maven link) 清理了 HTML 代码图书馆。

// 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);
// ....

使用飞碟 PDF 渲染将格式错误的 HTML 转换为 PDF

Convert malformed HTML to PDF using Flying Saucer PDF Rendering

html

java

pdf

flying-saucer

pdf-rendering

问题