wktmltopdf工具是使用Webkit引擎来将HTML网页转换为PDF文件,关于wkhtmltopdf工具的相关信息可以参见:
http://code.google.com/p/wkhtmltopdf/
http://www.oschina.net/p/wkhtmltopdf/
我在使用的过程中遇到有的网页是中文是乱码,有的网页中文是正常显示的,通过搜索引擎寻找答案的时候,发现还有人遇到中午呢是空白的,没有显示。
在该开源项目的问题解答中有作者给出的一些回复:
http://code.google.com/p/wkhtmltopdf/issues/detail?id=436&q=gb2312
http://code.google.com/p/wkhtmltopdf/issues/detail?id=782&q=gb2312
这些问题主要是基于Linux环境下中文字体没有安装所造成的,而我遇到的问题是中文可以显示,却是乱码,于是关于这个问题我做了几个方面的测试:
1.中文字体问题
2.网页编码
<meta http-equiv="content-type" content="text/html;charset=utf-8">
3.文件编码
测试一:(百度首页网页的charset=utf-8)
可以看出中文正常的。
测试二(51cto博客网页的charset=gb2312):
可以看出,网页内容编码格式为:gb2312的中文没法显示。
测试三:
查看网页中使用到的字体:
通过与本地计算机的字体对比,排除了这一可能。其实,转换后的PDF文件中文能够显示,虽然是乱码,也能够排除字体出的问题。
测试四:
由于考虑到wkhtmltopdf使用到webkit引擎,第二中测试遇到网页内容编码格式为:gb2312的造成中文无法显示,于是使用程序将网页抓取下进行转化。
@Test
public void test2() throws IOException {
URL url = new URL("http://aiilive.blog.51cto.com/1925756/1332579");
HttpURLConnection conn = (HttpURLConnection) url.openConnection();
conn.setRequestMethod("GET");
conn.connect();
if (conn.getResponseCode() == HttpURLConnection.HTTP_OK) {
BufferedInputStream bi = new BufferedInputStream(
conn.getInputStream());
BufferedOutputStream bo = new BufferedOutputStream(
new FileOutputStream(new File("D:\\1332579.html")));
byte[] bts = new byte[1024];
int len = bi.read(bts);
while (len != -1) {
bo.write(bts, 0, len);
len = bi.read(bts);
}
bi.close();
bo.close();
System.out.println("create ok");
}
}
通过本地转化,并使网页内容中的:charset=utf-8,然后进行转换,这么做的原因是既然使用了webkit引擎正好charset=utf-8是给浏览器看的,所以就这么用了。
上述的测试还是失败的。!!!
在官方的指南中说明可以指定编码格式:–encoding 编码格式 ;经过测试是不行的,这样的问题网上有好多人遇到,也有好多人没有遇到,却把网页很正常的转成功了,多数是编码上使用UTF-8巧合而已。
测试五:
将抓取下来的网页文件进行处理:
1.文件编码utf-8;charset=utf-8; 结果:中文正常
2.文件编码utf-8;charset=gb2312; 结果:中文正常
3.文件编码Ansi; charset=gb2312 ; 结果:中文乱码
实验做到这,可以看出问题所在,wkhtmltopdf转换html文件的时候,这个html文件来源可能是一个url,也可能就是本地的一个文本文件,从测试一中百度首页中文正常显示和测试二51cto博客中文不能够正常显示,再从测试五中看出,wkhtmltopdf转换工作的时候,–encoding参数实际上指的是文件存储的编码格式。
所以通过URL从服务器端请求而来的网页编码文件格式不能确定时后,会使用文件内容编码格式输出,所以得出chartset=utf8和charset=gb2312通过url请求,中文前者可以显示,后者不能。
PS:Jsp页面编码解释:
1.pageEncoding=”UTF-8″ 是指JSP页面保存时使用的编码方式,也就是JSP文件保存在硬盘上所使用的编码方式
2.charset=”UTF-8″ 是指JSP页面输入输出使用的编码方式,很多服务器在没有找到pageEncoding时,有charset代替pageEncoding。
我在测试我们自家的网站的时候就没有遇到wkhtmltopdf中文乱码问题,我们的JSP页面格式和内容输出编码格式是统一的,并且都是UTF-8。
PPS:Web开发编码问题一直依赖就像头皮屑一样困扰人们,团队开发关于文件编码格式做到统一,受益是无穷的!