透過 Aspose.Pdf.Document 載入 Html 檔案轉成 Pdf 檔，有些字會變成空白框框

前言

我們手上有一個 big5 編碼的 Html 檔案，想透過 Aspose 來轉換成 Pdf 檔案，看似容易，但在轉出來的 Pdf 中，竟然有一些字會變成「空白的框框」。一件簡單的工作，怎麼會踩到了雷呢?

首先，透過 Aspose 將 Html 檔轉換成 Pdf 檔案在 Aspose 有 2 種做法，如下，

1.透過 Aspose.HTML 來轉，請參考:Aspose.HTML HTML to PDF Conversion

1
2
3
4
5
6
7
8
9
10
11
// Source HTML document
var htmlDocument = new HTMLDocument("input.html");
// Initialize PdfSaveOptions
PdfSaveOptions options = new PdfSaveOptions
{
    JpegQuality = 100
};
// Output file path
string outputPDF = "HTMLtoPDF_Output.pdf";
// Convert HTML to PDF
Converter.ConvertHTML(htmlDocument, options, outputPDF);

2.透過 Aspose.Pdf 來轉，請參考:Aspose.Pdf Convert a File to PDF Format

1
2
3
4
var options = new HtmlLoadOptions();
//會自已判斷檔案的編碼(big5/utf8)，所以不用特別指定 encoding
Document pdfDocument = new Document("input.html", options);
pdfDocument.Save("HTMLtoPDF_Output.pdf");

而我們剛開始是使用第 2 種方式，透過 Aspose.Pdf 來轉換，因為檔案是 big5 ，所以多設定 HtmlLoadOptions 的 InputEncoding 屬性為 big5 (可以不用設定，因為它會自動偵測)。
結果有些字出來卻會變成一個空白的框框。如下，「查」這個字，變成了空白的框框

測試的 Html 內容如下，

1
2
3
4
5
6
7
8
9
10
11
<html>
  <head>
    <title>FC21900000-102/06/18 10:54:19</title>
    <meta http-equiv="Content-Type" content="text/html; charset=big5" />
  </head>
  <body>
    查詢查日期
    <hr />
    查詢日期: 102/06/18 10:54:19 一、個
  </body>
</html>

研究

即然透過 Aspose.Pdf 有問題，就改用第 1 種方式，透過 Aspose.HTML 來轉，結果這次變成「全型標點符號」會變成空白的框框，例如，一、個人 的「、」會變成空白的框框

2 種方式都無法正常將 Html 轉成 Pdf 檔，判斷應該是字型的問題，是否可以在載入後去調整它的字型然後再存檔呢?
所以筆者參考Replace fonts in existing PDF file 透過 TextFragmentAbsorber 取出文件中所有的 TextFragment ，先看一下有問題的文字，它們的字型是什麼呢?

1
2
3
4
5
6
var absorber = new TextFragmentAbsorber(new TextEditOptions(TextEditOptions.FontReplace.RemoveUnusedFonts));
pdfDocument.Pages.Accept(absorber);
foreach (TextFragment textFragment in absorber.TextFragments)
{
    Console.WriteLine("{0}:{1}", textFragment.Text, textFragment.TextState.Font.FontName);
}

結果輸出如下，

**
詢 日期:MSGothic
詢日期:MSGothic
::TimesNewRoman
102/06/18:TimesNewRoman
10:54:19:TimesNewRoman
一、個:MSGothic
**

可以發現，「查」這個字不見了，而且它的字型為 MSGothic 。
如果我們將 Html 多加字型設定進去(font face=”細明體”)，如下，

1
2
3
4
5
6
7
8
9
<HTML><head><title>FC21900000-102/06/18 10:54:19</title><meta http-equiv="Content-Type" content="text/html; charset=big5" /></head>
<BODY>
<basefont=4 font FACE="細明體" LANG="ZH-TW"><font face="細明體"><pre>
查詢查日期
<hr>
查詢日期: 102/06/18 10:54:19
一、個
</pre></font></basefont>
</BODY></HTML>

它的輸出就是正常的，各句子的字型如下，
**
查詢查日期:DFKai-SB
查詢日期:DFKai-SB
::CourierNew
102/06/18:CourierNew
10:54:19:CourierNew
一:DFKai-SB
、:MSGothic
個:DFKai-SB
**

但是如果將一樣的程式拿到 Windows Server 上測試，它的結果就會變成跟沒設定字型類似，如下，
**
詢 日期:MSGothic
詢日期:MSGothic
::CourierNew
102/06/18:CourierNew
10:54:19:CourierNew
一:MSGothic
、:MSGothic
個:MSGothic
**

所以「查」這個字，在 Windows Server 上又變成了一個空白的框框了。
怎麼辦呢? 那把 MSGothic 字型改成 DFKai-SB 字型可以嗎? 所以我們再加入置換字型的程式碼，如下，

1
2
3
4
5
6
7
8
9
10
var absorber = new TextFragmentAbsorber(new TextEditOptions(TextEditOptions.FontReplace.RemoveUnusedFonts));
pdfDocument.Pages.Accept(absorber);
foreach (TextFragment textFragment in absorber.TextFragments)
{
    Console.WriteLine("{0}:{1}", textFragment.Text, textFragment.TextState.Font.FontName);
    if (textFragment.TextState.Font.FontName == "MSGothic")
    {
        textFragment.TextState.Font = FontRepository.FindFont("DFKai-SB");
    }
}

… 結果，Pdf 中「查」這個字，直接變成空白 Q_Q

顯然從 Html 載入到 Pdf 檔時，字型如果沒設定好，到後面應該就沒機會去改它了。
為了驗證假設是否正確，我們可以動態加入一段 Html 到 Pdf.Document 之中，如下，

1
2
3
4
5
6
7
8
9
10
var options = new HtmlLoadOptions();
//會自已判斷檔案的編碼(big5/utf8)，所以不用特別指定 encoding
Document pdfDocument = new Document("input.html", options);
var html = new HtmlFragment("查詢查日期")
{
    TextState = new TextState
    {}
};
pdfDocument.Pages[1].Paragraphs.Add(html);
pdfDocument.Save("HTMLtoPDF_Output.pdf");

結果「查」這個字果然也變成了空白框框，如下圖，

這時，如果我們在 new HtmlFragment 時，設定 TextState 的字型，「查」這個字就可以順利顯示出來，如下，

1
2
3
4
5
6
7
8
9
10
11
12
var options = new HtmlLoadOptions();
//會自已判斷檔案的編碼(big5/utf8)，所以不用特別指定 encoding
Document pdfDocument = new Document("input.html", options);
var html = new HtmlFragment("查詢查日期")
{
    TextState = new TextState
    {
        Font = FontRepository.FindFont("DFKai-SB")
    }
};
pdfDocument.Pages[1].Paragraphs.Add(html);
pdfDocument.Save("HTMLtoPDF_Output.pdf");

果然在載入到 Pdf.Document 時，就要給定預設的字型，但 HtmlLoadOptions 並沒有預設字型的屬性，怎麼辦呢?

解法

HtmlLoadOptions 目前並沒有預設字型的屬性，但 HtmlFragment 有，所以目前只好從 HtmlFragment 著手，也就是自已載入 Html 內容，然後再加入 Pdf.Document 之中。
所以目前暫時解法如下，

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
var htmlFile = @"input.html";
var htmlContents = File.ReadAllText(htmlFile, System.Text.Encoding.GetEncoding(950));
//chang charset from big5 to utf8
htmlContents = htmlContents.Replace("big5", "utf8");
var pdf = new Aspose.Pdf.Document();
var page = pdf.Pages.Add();
page.PageInfo.Height = Aspose.Pdf.PageSize.A4.Height;
page.PageInfo.Width = Aspose.Pdf.PageSize.A4.Width;
page.PageInfo.Margin.Left = 5;
page.PageInfo.Margin.Right = 5;
var html = new HtmlFragment(htmlContents)
{
    TextState = new TextState
    {
        //you can change your default font
        Font = FontRepository.FindFont("DFKai-SB")
    }
};
page.Paragraphs.Add(html);
pdf.Save("HTMLtoPDF_Output.pdf");

產出的內容如下，

因為 HtmlLoadOptions 目前並沒有預設字型的屬性，所以針對這問題，原廠有建立一個問題單，未來更方便的解法，再跟大家 Update 。

參考資料

Aspose.HTML HTML to PDF Conversion
Aspose.Pdf Convert a File to PDF Format
How to render HTML to PDF document using Aspose.HTML for .NET
Aspose.Pdf.Document 載入 Big5 Html 檔，存成 PDF 時，有些字會變成一個空的框框
Replace fonts in existing PDF file

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

大家好，我是亂馬客 Rainmaker，目前任職於叡揚資訊，大家也都叫我 RM 。 平常負責開發公司各產品線的加值、共用的軟體，例如 Azure, OpenAI, Chatbot, Database ... 同時 Support 公司各種技術及資安修改問題。 Blog中的內容也是個人的看法， 如果有需要討論的地方， 可以留言，或是 mail 給我 :) rainmaker_ho@gss.com.tw