可以使用 Apache FOP 将任意 HTML 转换为 PDF 吗？

Question

我尝试使用 Apache FOP 将 HTML 转换为 PDF。 ( HTML --> XHTML--> XSL-FO --> PDF)。我使用 Antenna House 的 xhtml2fo.xsl 进行 xhtml --> XSL-FO 转换。

它适用于简单的 html 文件。

它不适用于带有样式的 html 文件（通过嵌入的 css 或样式属性）。 PDF 已创建但完全未格式化。我正在尝试转换我对样式/内容没有太多控制权的 HTML 文件。

在我的用例中，为每个 html 创建一个 xslt 是不切实际的。

目前，我确实有一个使用飞碟的工作实施。但是，该要求要求在没有 AGPL 许可的情况下实现。

我的问题是：这可以通过 FOP 实现吗？

感谢任何帮助

Answer 1

tl;dr 版本：

在最一般的情况下，不，您不能使用 FOP 来转换 任何 保留原始样式的 html（并且更改格式化程序不会解决问题）。

但是，您可以使用 FOP（或任何其他格式化程序）来尝试并合理地处理大量 html 文档；这可能需要一些 XSLT 调整。

---

为什么它不能正常工作

HTML --> XHTML --> XSL-FO --> PDF

您对必要转换链的描述是正确的。

但是，FOP 只涉及最后一步：除了尚未实现的功能外，最终的 PDF 文件应尊重 FO 文件中表达的印刷特征。 p>

我使用 Antenna House 的 xhtml2fo.xsl 进行 xhtml --> XSL-FO 转换 [...]

PDF 已创建但完全未格式化

你使用的样式表是this one from the AntennaHouse site吗？

快速浏览一下，它似乎应该转换style="..." 属性，在 FO 输出中生成单独的属性，但它不处理外部 CSS 文件。

因此，带有外部 CSS 样式的 HTML 文件将被转换为没有任何格式属性的 FO 文件（font-family、font-size、text-align、...）。

这可以通过 FOP 实现吗？

如果确实如此，格式化程序只能使用默认值，其中一些（想到font-family）依赖于应用程序。

因此，根据您使用的格式化程序，您将得到略有不同的结果，但仍然是“未格式化”的结果。

您需要的要么是“合并”html 和 css 文件、内联样式以便 XSLT 可以处理它们的工具，要么是能够考虑外部 css 的不同样式表文件（但我怀疑在一般情况下编写一个工作并不容易）。

不费吹灰之力就能解决的问题

在处理 html 表格时，链接的 XSLT 使用 fo:table-and-caption 元素，FOP 不支持该元素，因此表格从输出中“消失”。

这可以通过 XSLT 中的微小更改来解决，或者（可能是更简洁的解决方案）使用自定义样式表导入另一个：

<xsl:stylesheet version="1.0"
  xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
  xmlns:fo="http://www.w3.org/1999/XSL/Format"
  xmlns:html="http://www.w3.org/1999/xhtml">

  <xsl:include href="xhtml2fo.xsl"/>

  <xsl:output method="xml" version="1.0" encoding="UTF-8" indent="no"/>

  <xsl:template match="html:table" priority="2">
    <fo:table xsl:use-attribute-sets="table">
      <!-- warning: table caption is not processed! -->
      <xsl:call-template name="process-table"/>
    </fo:table>
  </xsl:template>

</xsl:stylesheet>

您实际使用的样式表可能需要进行一些类似的调整才能更好地与 FOP 结合使用。

披露：我是一名 FOP 开发人员，虽然现在不是很活跃。