首先看了這篇文章前端使用puppeteer 爬蟲生成《React.js 小書》PDF併合並,發現最後的pdf沒有書籤,很難受,所以主要在此基礎上加了加書籤的功能。
爬去的示例網站爲React.js 小書,僅做學習交流
針對網頁生成pdf
使用puppeteer爬取網頁並生成pdf
const puppeteer = require('puppeteer');
(async () => {
const browser = await puppeteer.launch();
const page = await browser.newPage();
await page.goto('https://news.ycombinator.com', {waitUntil: 'networkidle2'});
await page.pdf({path: 'hn.pdf', format: 'A4'});
await browser.close();
})();
合成pdf
pdf-merge:合併pdf
依賴於pdftk
如何給pdf加上書籤
pdftk:一個處理pdf的工具
- 安裝後將bin目錄添加到環境變量
利用update_info_utf8
給pdf增加書籤:
pdftk 'd:\OpenSource\My\genpfdforrsb\React 小書(無書籤).pdf' update_info_utf8 'd:\OpenSource\My\genpfdforrsb\bookmarks.txt' output 'd:\OpenSource\My\genpfdforrsb\React 小書.pdf'
書籤是什麼
也就是bookmarks.txt
書籤格式:
BookmarkBegin
BookmarkTitle: PDF Reference (Version 1.5)
BookmarkLevel: 1
BookmarkPageNumber: 1
BookmarkBegin
BookmarkTitle: Contents
BookmarkLevel: 2
BookmarkPageNumber: 3
確定書籤頁碼
pdfjs-dist:獲取單個pdf頁數,用於bookmarks.txt中指定頁碼
生成書籤
const pageArr = result.map(c => c.numPages);
let txt = ''
for (let index = 0; index < pageArr.length; index++) {
let temp = `BookmarkBegin\r\nBookmarkTitle: ${titleArr[index]}\r\nBookmarkLevel: 1\r\nBookmarkPageNumber: ${pageIndex}\r\n`
txt += temp
pageIndex += pageArr[index]
}
fs.writeFileSync('bookmarks.txt', txt);
加上書籤
參考pdf-merge
源碼,增加runshell.js
用於在node中執行pdftk
的命令
runshell.js如下:
'use strict';
const child = require('child_process');
const Promise = require('bluebird');
const exec = Promise.promisify(child.exec);
module.exports = (scripts) => new Promise((resolve, reject) => {
exec(scripts)
.then(resolve)
.catch(reject);
});
執行pdftk update_info_utf8
const nobkname = 'React 小書(無書籤).pdf'
const hasbkname = 'React 小書.pdf'
mergepdf(nobkname).then(buffer => {
console.log('starting add bookmarks!')
runshell(`pdftk "${__dirname}/${nobkname}" update_info_utf8 "${__dirname}/bookmarks.txt" output "${__dirname}/${hasbkname}"`).then(() => {
console.log('completed add bookmarks!')
fs.unlinkSync(`${__dirname}/${nobkname}`);
fs.unlinkSync(`${__dirname}/bookmarks.txt`);
console.log('all completed!')
})
})
- 文件路徑需要用雙引號
源碼:genpfdforrsb
問題
合併後的pdf頁碼不是連續的,還是單個pdf的頁碼