使用 java Apache PDFBOX 添加 HTML 标记

Question

我一直在使用 PDFBOX 和扩展 PDFBOX 的 EasyTable 来绘制数据表。我遇到了一个问题，我有一个 java 对象，其中包含一串 HTML 数据，我需要使用 PDFBOX 将其添加到 PDF 中。对文档的挖掘似乎没有任何成果。

下面的代码是一个 hello world 片段，我希望生成的 pdf 具有 H1 格式。

// Create a document and add a page to it
        PDDocument document = new PDDocument();
        PDPage page = new PDPage();
        document.addPage( page );

// Create a new font object selecting one of the PDF base fonts
        PDFont font = PDType1Font.HELVETICA_BOLD;

// Start a new content stream which will "hold" the to be created content
        PDPageContentStream contentStream = new PDPageContentStream(document, page);

// Define a text content stream using the selected font, moving the cursor and drawing the text "Hello World"
        contentStream.beginText();
        contentStream.setFont( font, 12 );
        contentStream.moveTextPositionByAmount( 100, 700 );
        contentStream.drawString( "<h1>HelloWorld</h1>" );
        contentStream.endText();

// Make sure that the content stream is closed:
        contentStream.close();

// Save the results and ensure that the document is properly closed:
        document.save( "Hello World.pdf");
        document.close();

    }

Answer 1

PDFBox 不知道 HTML，至少不知道如何创建内容。

因此，对于纯 PDFBox，您必须自己解析 HTML 并从标签文本中导出特殊的文本绘制特征。

例如当您遇到 "<h1>HelloWorld</h1>" 时，您必须提取文本 "HelloWorld" 并将它在 h1 标记中的信息用于 select 适当的素数 header 字体和绘制 "HelloWorld".

的字体大小

或者，您可以寻找一个库来执行 HTML 解析和转换为 PDFBox 的 PDF 文本绘图指令，例如Open HTML to PDF.

Answer 2

使用 jerico 将 html 格式化为自由文本，同时正确映射标签的输出。

样本

public String extractAllText(String htmlText){
    return new net.htmlparser.jericho
            .Source(htmlText)
            .getRenderer()
            .setMaxLineLength(Integer.MAX_VALUE)
            .setNewLine(null)
            .toString();
}

包含在您的 gradle 或 maven 中：

compile group: 'net.htmlparser.jericho', name: 'jericho-html', version: '3.4'

使用 java Apache PDFBOX 添加 HTML 标记

Add HTML Markup using java Apache PDFBOX

java

pdfbox

spring-boot