使用 iText 从 html 内容到 pdf 的阿拉伯字符

Question

我无法在 PDF 生成中将来自 HTML 内容的阿拉伯字符显示为“?”

我能够显示来自 String 变量的阿拉伯语文本。同时，我无法从 HTML 字符串生成阿拉伯文本。

我想用两栏显示 PDF，左侧是英语，右侧是阿拉伯语文本。

当我使用以下程序转换成pdf时。请在这方面帮助我。

try
{
    Document document = new Document(PageSize.A4, 50, 50, 50, 50);
    ByteArrayOutputStream out = new ByteArrayOutputStream();
    PdfWriter writer = PdfWriter.getInstance(document, out);
    BaseFont bf = BaseFont.createFont("C:\arial.ttf", BaseFont.IDENTITY_H, BaseFont.EMBEDDED);
    Font font = new Font(bf, 8);
    document.open();

    BufferedReader br = new BufferedReader(new FileReader("C:\style.css"));
    StringBuffer fileContents = new StringBuffer();
    String line = br.readLine();
    while (line != null)
    {
        fileContents.append(line);
        line = br.readLine();
    }
    br.close();
    String styles = fileContents.toString(); //"p { font-family: Arial;}"; 

    Paragraph cirNoEn = null;
    Paragraph cirNoAr = null;

    String htmlContentEn = null;
    String htmlContentAr = null;

    PdfPCell contentEnCell = new PdfPCell();
    PdfPCell contentArCell = new PdfPCell();

    cirNoEn = new Paragraph("Circular No. (" + cirEnNo + ")", new Font(bf, 14, Font.BOLD | Font.UNDERLINE));
    cirNoAr = new Paragraph("رقم التعميم (" + cirArNo + ")", new Font(bf, 14, Font.BOLD | Font.UNDERLINE));

    htmlContentEn = “< p >< span > Dear….</ span ></ p >”;
    htmlContentAr = “< p >< span > رقم التعميم رقم التعميم </ p >< p > رقم التعميم ….</ span ></ p >”;
    for (Element e : XMLWorkerHelper.parseToElementList(htmlContentEn, styles))
    {
        for (Chunk c : e.getChunks())
        {
            c.setFont(new Font(bf));
        }
        contentEnCell.addElement(e);
    }
    for (Element e : XMLWorkerHelper.parseToElementList(htmlContentAr, styles))
    {
        for (Chunk c:e.getChunks())
        {
            c.setFont(new Font(bf));
        }
        contentArCell.addElement(e);
    }

    PdfPCell emptyCell = new PdfPCell();
    PdfPCell cirNoEnCell = new PdfPCell(cirNoEn);
    PdfPCell cirNoArCell = new PdfPCell(cirNoAr);

    cirNoEnCell.setHorizontalAlignment(Element.ALIGN_CENTER);
    cirNoArCell.setHorizontalAlignment(Element.ALIGN_CENTER);

    emptyCell.setBorder(Rectangle.NO_BORDER);
    emptyCell.setFixedHeight(15);

    cirNoEnCell.setBorder(Rectangle.NO_BORDER);
    cirNoArCell.setBorder(Rectangle.NO_BORDER);
    contentEnCell.setBorder(Rectangle.NO_BORDER);
    contentArCell.setBorder(Rectangle.NO_BORDER);

    cirNoArCell.setRunDirection(PdfWriter.RUN_DIRECTION_RTL);
    contentArCell.setRunDirection(PdfWriter.RUN_DIRECTION_RTL);

    contentEnCell.setNoWrap(false);
    contentArCell.setNoWrap(false);

    PdfPTable circularInfoTable = null;

    emptyCell.setColspan(2);
    circularInfoTable = new PdfPTable(2);
    circularInfoTable.addCell(cirNoEnCell);
    circularInfoTable.addCell(cirNoArCell);
    circularInfoTable.addCell(emptyCell);
    circularInfoTable.addCell(emptyCell);
    circularInfoTable.addCell(emptyCell);
    circularInfoTable.addCell(contentEnCell);
    circularInfoTable.addCell(contentArCell);
    circularInfoTable.addCell(emptyCell);

    circularInfoTable.getDefaultCell().setBorder(PdfPCell.NO_BORDER);
    circularInfoTable.setWidthPercentage(100);
    document.add(circularInfoTable);

    document.close();

}
catch (Exception e)
{

}

Answer 1

请查看 ParseHtml7 and ParseHtml8 示例。他们使用阿拉伯字符输入 HTML，然后创建具有相同阿拉伯文本的 PDF：

在我们看代码之前，请允许我解释一下在源代码中使用非 ASCII 字符不是一个好主意。例如：这还没有完成：

 htmlContentAr = “<p><span> رقم التعميم رقم التعميم</p><p>رقم التعميم ….</span></p>”;

您永远不知道包含这些字形的 Java 文件将如何存储。如果它没有存储为 UTF-8，字符最终可能看起来完全不同。众所周知，版本控制系统在处理非 ASCII 字符时存在问题，甚至编译器也会出现编码错误。如果您真的想在代码中存储硬编码的 String 值，请使用 UNICODE 表示法。您的部分问题是编码问题，您可以在此处阅读更多相关信息：Can't get Czech characters while generating a PDF

对于屏幕截图中显示的示例，我使用 UTF-8 编码保存了以下文件：

这是您将在文件中找到的内容 arabic.html:

<html>
<body style="font-family: Noto Naskh Arabic">
<p>رقم التعميم رقم التعميم</p>
<p>رقم التعميم</p>
</body>
</html>

这是您将在文件中找到的内容 arabic2.html:

<html>
<body style="font-family: Noto Naskh Arabic">
<table>
<tr>
<td dir="rtl">رقم التعميم رقم التعميم</td>
<td dir="rtl">رقم التعميم</td>
</tr>
</table>
</body>
</html>

问题的第二部分与字体有关。使用知道如何绘制阿拉伯字形的字体很重要。很难相信 arial.ttf 就在 C: 驱动器的根目录下。那不是一个好主意。我希望您使用 C:/windows/fonts/arialuni.ttf，它当然知道阿拉伯字形。

选择字体是不够的。您的 HTML 需要知道要使用的字体系列。因为文档中的大多数示例都使用 Arial，所以我决定使用 NOTO 字体。我通过阅读这个问题发现了这些字体：。我真的很喜欢这些字体，因为它们很好，而且（几乎）支持所有语言。例如，我使用 NotoNaskhArabic-Regular.ttf 这意味着我需要像这样定义字体系列：

style="font-family: Noto Naskh Arabic"

我在 XML 的 body 标签中定义了样式，显然您可以选择在哪里定义它：在外部 CSS 文件中，在 <head>，在 <td> 标签级别，...这个选择完全由您决定，但您必须在某处定义要使用的字体。

当然：当XML Worker 遇到font-family: Noto Naskh Arabic 时，iText 不知道在哪里可以找到对应的NotoNaskhArabic-Regular.ttf，除非我们注册那个字体。我们可以通过创建 FontProvider 接口的实例来做到这一点。我选择使用 XMLWorkerFontProvider，但您可以自由编写自己的 FontProvider 实现：

XMLWorkerFontProvider fontProvider = new XMLWorkerFontProvider(XMLWorkerFontProvider.DONTLOOKFORFONTS);
fontProvider.register("resources/fonts/NotoNaskhArabic-Regular.ttf");

还有一个障碍需要克服：阿拉伯语是从右向左书写的。我看到您想在 PdfPCell 级别定义运行方向，并使用 ElementList 将 HTML 内容添加到此单元格。这就是为什么我首先写了一个类似的例子，命名为 ParseHtml7:

public void createPdf(String file) throws IOException, DocumentException {
    // step 1
    Document document = new Document();
    // step 2
    PdfWriter writer = PdfWriter.getInstance(document, new FileOutputStream(file));
    // step 3
    document.open();
    // step 4
    // Styles
    CSSResolver cssResolver = new StyleAttrCSSResolver();
    XMLWorkerFontProvider fontProvider = new XMLWorkerFontProvider(XMLWorkerFontProvider.DONTLOOKFORFONTS);
    fontProvider.register("resources/fonts/NotoNaskhArabic-Regular.ttf");
    CssAppliers cssAppliers = new CssAppliersImpl(fontProvider);
    // HTML
    HtmlPipelineContext htmlContext = new HtmlPipelineContext(cssAppliers);
    htmlContext.setTagFactory(Tags.getHtmlTagProcessorFactory());
    // Pipelines
    ElementList elements = new ElementList();
    ElementHandlerPipeline pdf = new ElementHandlerPipeline(elements, null);
    HtmlPipeline html = new HtmlPipeline(htmlContext, pdf);
    CssResolverPipeline css = new CssResolverPipeline(cssResolver, html);

    // XML Worker
    XMLWorker worker = new XMLWorker(css, true);
    XMLParser p = new XMLParser(worker);
    p.parse(new FileInputStream(HTML), Charset.forName("UTF-8"));

    PdfPTable table = new PdfPTable(1);
    PdfPCell cell = new PdfPCell();
    cell.setRunDirection(PdfWriter.RUN_DIRECTION_RTL);
    for (Element e : elements) {
        cell.addElement(e);
    }
    table.addCell(cell);
    document.add(table);
    // step 5
    document.close();
}

HTML中没有table，但是我们自己创建PdfPTable，我们把HTML中的内容添加到一个PdfPCell中使用运行方向 LTR，我们将此单元格添加到 table，并将 table 添加到文档。

也许这是你的实际需求，但你为什么要以如此复杂的方式做到这一点？如果您需要 table，为什么不在 HTML 中创建 table 并定义一些单元格是这样的 RTL：

<td dir="rtl">...</td>

这样，您不必创建 ElementList，您只需像 ParseHtml8 示例中那样将 HTML 解析为 PDF：

public void createPdf(String file) throws IOException, DocumentException {
    // step 1
    Document document = new Document();
    // step 2
    PdfWriter writer = PdfWriter.getInstance(document, new FileOutputStream(file));
    // step 3
    document.open();
    // step 4
    // Styles
    CSSResolver cssResolver = new StyleAttrCSSResolver();
    XMLWorkerFontProvider fontProvider = new XMLWorkerFontProvider(XMLWorkerFontProvider.DONTLOOKFORFONTS);
    fontProvider.register("resources/fonts/NotoNaskhArabic-Regular.ttf");
    CssAppliers cssAppliers = new CssAppliersImpl(fontProvider);
    HtmlPipelineContext htmlContext = new HtmlPipelineContext(cssAppliers);
    htmlContext.setTagFactory(Tags.getHtmlTagProcessorFactory());

    // Pipelines
    PdfWriterPipeline pdf = new PdfWriterPipeline(document, writer);
    HtmlPipeline html = new HtmlPipeline(htmlContext, pdf);
    CssResolverPipeline css = new CssResolverPipeline(cssResolver, html);

    // XML Worker
    XMLWorker worker = new XMLWorker(css, true);
    XMLParser p = new XMLParser(worker);
    p.parse(new FileInputStream(HTML), Charset.forName("UTF-8"));;
    // step 5
    document.close();
}

这个例子中需要的代码较少，当你想改变布局时，改变HTML就足够了。您无需更改 Java 代码。

再举一个例子：在 ParseHtml9 中，我创建了一个 table，其中一列是英文名称 ("Lawrence of Arabia")，另一列是阿拉伯语翻译 ("لورانس العرب ”）。因为我需要英文和阿拉伯文的不同字体，所以我在<td>级别定义了字体：

<table>
<tr>
<td>Lawrence of Arabia</td>
<td dir="rtl" style="font-family: Noto Naskh Arabic">لورانس العرب</td>
</tr>
</table>

第一列使用默认字体，从左到右书写，无需特殊设置。对于第二列，我定义了一种阿拉伯字体并将运行方向设置为 "rtl".

结果如下所示：

这比您在代码中尝试做的要容易得多。

使用 iText 从 html 内容到 pdf 的阿拉伯字符

Arabic characters from html content to pdf using iText

html

pdf

text

itext

arabic