使用 Chrome Headless 模式将 HTML 转 PDF
前言
最近遇到了个问题,需要将爬取到的某个网页转成 PDF 格式。在这其中尝试过不少方法,例如使用 IText,wkhtmltopdf 之类的方式。但是由于所获取的 HTML 页面的标签较多,以及有些标签并不完整,或者自闭合标签,样式等问题,从而导致无法成功转换。
也试过使用 HtmlCleaner 这个开源的 Java 语言的 HTML 文档解析器重新生成一个结构较好的 HTML 文档。从代码上来看,格式确实整洁了许多,不过页面的样子稍微变乱了点,而且仍然没有成功转换。
其它的解决思路,例如获取那个网页中的数据,用 Freemarker 重新生成一个符合要求的 HTML 文件啊。不过这样子工作量就比较大了。下次遇到其它 HTML 需要转 PDF 时则需要重新弄一次。不方便重用。
便开始继续换个思路,突然想到,要是能后台直接调用浏览器的打印功能就好了。如此一来,标签等问题就不是什么问题了,浏览器怎么渲染 HTML 页面,打印出来的效果就是如何,也就不用担心样式之类的问题了。
在搜索资料的过程之中,就遇到了本文的主角 —— Chrome 的 Headless 模式下打印 PDF。
Chrome Headless 模式
于我的理解是,无界面(GUI)的运行 Chrome 浏览器。在后台运行,优点在于占用资源少,不用打开图形界面即可,通过命令来操作 Chrome 的功能,例如截图,打印成 PDF 之类的。
理论上安装了 Chrome 浏览器就可以使用该模式。从资料查询来看,Mac 在 Chrome 59 版本及之后,Linux 于 Chrome 57 版本及之后,而 Windows 在 Chrome 60 版本及之后都可以使用该新特性。
不过我这里安装的是当前最新版本:Google Chrome 66.0.3359.181
环境准备及使用
CentOS7 命令界面中安装 Google Chrome 浏览器
配置 yum 下载源:
vi /etc/yum.repos.d/google-chrome.repo
在里面添加以下内容:
[google-chrome]
name=google-chrome
baseurl=http://dl.google.com/linux/chrome/rpm/stable/x86_64
enabled=