使用 Chrome Headless 模式將 HTML 轉 PDF
前言
最近遇到了個問題，需要將爬取到的某個網頁轉成 PDF 格式。在這其中嘗試過不少方法，例如使用 IText，wkhtmltopdf 之類的方式。但是由於所獲取的 HTML 頁面的標籤較多，以及有些標籤並不完整，或者自閉合標籤，樣式等問題，從而導致無法成功轉換。
也試過使用 HtmlCleaner 這個開源的 Java 語言的 HTML 文檔解析器重新生成一個結構較好的 HTML 文檔。從代碼上來看，格式確實整潔了許多，不過頁面的樣子稍微變亂了點，而且仍然沒有成功轉換。
其它的解決思路，例如獲取那個網頁中的數據，用 Freemarker 重新生成一個符合要求的 HTML 文件啊。不過這樣子工作量就比較大了。下次遇到其它 HTML 需要轉 PDF 時則需要重新弄一次。不方便重用。
便開始繼續換個思路，突然想到，要是能後臺直接調用瀏覽器的打印功能就好了。如此一來，標籤等問題就不是什麼問題了，瀏覽器怎麼渲染 HTML 頁面，打印出來的效果就是如何，也就不用擔心樣式之類的問題了。
在搜索資料的過程之中，就遇到了本文的主角 —— Chrome 的 Headless 模式下打印 PDF。
Chrome Headless 模式
於我的理解是，無界面（GUI）的運行 Chrome 瀏覽器。在後臺運行，優點在於佔用資源少，不用打開圖形界面即可，通過命令來操作 Chrome 的功能，例如截圖，打印成 PDF 之類的。
理論上安裝了 Chrome 瀏覽器就可以使用該模式。從資料查詢來看，Mac 在 Chrome 59 版本及之後，Linux 於 Chrome 57 版本及之後，而 Windows 在 Chrome 60 版本及之後都可以使用該新特性。
不過我這裏安裝的是當前最新版本：Google Chrome 66.0.3359.181
環境準備及使用
CentOS7 命令界面中安裝 Google Chrome 瀏覽器
配置 yum 下載源：
vi /etc/yum.repos.d/google-chrome.repo在裏面添加以下內容：
[google-chrome]
name=google-chrome
baseurl=http://dl.google.com/linux/chrome/rpm/stable/x86_64
enabled=1
gpgcheck=1
gpgkey=https://dl.google.com/linux/linux_signing_key.pub安裝 Chrome 瀏覽器：
yum -y install google-chrome-stable --nogpgcheck等待安裝成功即可。詳情瞭解可看這篇文章：CentOS7 安裝Chrome瀏覽器
因爲 Chrome 不能以 root 用戶運行，所以我們還需要修改以下配置文件。先查看以下配置所在位置，通過命令：
whereis google-chrome。如圖
編輯：
vi /usr/bin/google-chrome，通過 /exec -a 進行搜索，找到以下代碼
按 i 鍵進入編輯模式，在這句話後面追加內容：–no-sandbox –user-data-dir，然後通過命令
:wq保存退出即可。
CentOS7 安裝字體，解決中文亂碼問題
在我需要轉換爲 PDF 的 HTML 之中，使用了黑體和宋體。而在我虛擬機上的的 CentOS7 之中，並沒有安裝相關的字體，故直接轉換的話，會出現亂碼問題，所以需要先安裝一下字體。具體步驟如下，詳情請看此文章（Linux CentOS 7 安裝字體庫 & 中文字體）
安裝字體庫：
yum -y install fontconfig創建中文字庫的文件夾，依次運行下面的命令：
cd /usr/share/fonts
mkdir chinese使用 WinSCP 之類的工具將 Windows 字庫（C:\Windows\Fonts）下的黑體和宋體上傳到剛纔創建好的 chinese 目錄下
修改 chinese 目錄的權限：
chmod -R 755 /usr/share/fonts/chinese安裝 ttmkfdir 來搜索目錄中的字體信息：
yum -y install ttmkfdir執行 ttmkfdir 命令，彙總生成 fonts.scale 文件：
ttmkfdir -e /usr/share/X11/fonts/encodings/encodings.dir修改字體配置文件：
vi /etc/fonts/fonts.conf在 fonts.conf 中的字體列表（Font list），可以在 vi 編輯中使用命令搜索關鍵字：
/Font directory list。在下面的字體列表其中添加一句<dir>/usr/share/fonts/chinese</dir>。如圖：按 ESC 鍵，輸入
:wq保存並退出刷新內容中的字體緩存：
fc-cache。到此就完成了可以通過命令：
fc-list來查看字體列表
使用命令將 HTML 轉 PDF 格式
google-chrome --headless --disable-gpu --print-to-pdf /root/test/test.html
在哪個路徑下運行以上命令，則默認在該路徑下生成個 output.pdf 文件。也可以指定路徑和文件名（不加引號也行），例如：
google-chrome --headless --disable-gpu --print-to-pdf='/root/test/test.pdf' /root/test/test.html
存在的問題及可以嘗試的解決方案
問題：通過以上命令可以將 HTML 轉換爲 PDF，不過生成的 PDF 默認是有頁眉和頁腳的。通過修改 HTML 文件，在其中加入一些 CSS 樣式，則生成的 PDF 在最後一頁有頁腳，其它頁面沒有。HTML 添加的代碼如下：
<style>
@page {
margin: 0;
size: auto;
}
</style>或者
<style>
@media print {
@page { margin: 0; }
body { margin: 1.6cm; }
}
</style>思路：Chrome 默認的打印配置是勾選了頁眉與頁腳的。可以考慮修改默認的配置，不過需要找到配置文件的位置。以圖形界面的 Chrome 瀏覽器爲例，在地址欄中輸入：
chrome://version/可以查看到個人資料路徑，在該路徑下有個 Preferences 文件，上面則記錄着一些配置。可以使用文本編輯器打開這個文件，搜索關鍵詞： isHeaderFooterEnabled。該關鍵詞不一定存在，甚至這個配置文件也不一定存在，如果使用默認的配置的話，則沒有相關的參數。這時候可以使用 Chrome 打印功能，試着勾選 頁眉與頁腳，則再次搜索關鍵詞則可以找到。在 Linux 命令行模式下，因爲不曉得設置 Chrome 的配置，故也就沒有生成相應的文件，從而一直使用的是默認的打印方式，即有頁眉與頁腳。可以嘗試的方案：可以使用谷歌官方推出的 Headless Chrome 的封裝庫 Puppeteer 來進行操作，亦或者使用 Selenium 來操作 Headless Chrome。這些這裏就不細究了。
擴展資料
後記
換一種思路，不斷地去尋找新的解決方案，不斷地試錯。
在實踐中成長！
HochenChong
2018-5-17