HTMLからPDFへ:Webページを保存する方法
要点: ページは、アップロードした HTML ファイルからヘッドレスブラウザで描画されます。ローカルのパスは一切取得されず、外部のものも HTML 内に見えるアドレスだけが対象です。確実なアーカイブにするには、すべてを埋め込んだ自己完結型のファイル1つを使ってください。
グループ
セキュリティ
セキュリティ: PDF guidance for reliable document processing and quality checks.
メインツール
HTMLをPDFに変換
この記事からツールを開き、今の言語のまま処理できます。
ツールを開く目次
Webページを PDF で保存する:アーカイブに残るもの、残らないもの
利用規約、料金表のページ、後から書き換えられるかもしれない記事など、1年後に開いても今と同じ見た目で読めるようにページを残しておきたいことがあります。PDF なら文字が残るのでスクリーンショットより向いていますし、他人のサーバーに依存しないのでブックマークよりも確実です。
ただし、ブラウザで見ているページが PDF になるまでの間には、内容が抜け落ちる箇所がいくつかあります。以下でその箇所を説明します。
ツールが受け取るのはページのアドレスではなくファイル
まず押さえておきたいのは、このツールにWebサイトのアドレスを入力することはできない、という点です。アップロードするのは、保存済みの HTML ファイルです。
ページの保存はブラウザでできます。保存ダイアログには、通常「HTML のみ」と「ページ全体」のような選択肢があります。アーカイブ向きなのは後者です。マークアップ、スタイル、画像が1つのファイルにまとまるためです。
なぜこの方式なのかは次のセクションで説明します。意外な結果になる原因の大半は、同じ説明で理解できます。
画像が消える理由
ページは隔離されたブラウザで描画されます。このとき内容はファイルのパスから開かれるのではなく、直接渡されます。そのためページにはディスク上の場所がなく、隣にあるファイルを読み込むことができません。
ここから厳しいルールが導かれます。ローカルファイルへの参照は機能しません。`page.html` の隣に画像の入った `page_files` フォルダーがあっても、その中の画像は1枚も PDF に入りません。ブラウザがそこへアクセスできないからです。
外部アドレスは使えますが、すべてではありません。描画の前に HTML が静的に解析され、そこからアドレスの一覧が作られて、その一覧にあるものだけが取得されます。マークアップに書かれていないリソースはブロックされ、別のアドレスへのリダイレクトもブロックされます。
実用上の結論は1つです。確実なアーカイブにするには、画像やスタイルをマークアップの外ではなく中に埋め込んだ、自己完結型のファイルを使ってください。
読み込み後に現れるものは PDF に入らない
2つ目の欠落要因は、動的な部分です。
最近のページは、開いた後に内容を読み込むことがよくあります。スクロールに合わせて表示される画像、クリックで出るコメント、別のリクエストで取得されるデータ表などです。描画は動いているページではなくマークアップをもとに行われるため、後から読み込まれるものはそこに含まれません。
同じ理由で、折りたたまれたブロックは折りたたまれたままになり、表示中でないタブの内容は入らず、ホバーしたときに出る表示もすべて欠けます。
内容がアーカイブに入るかどうかは、事前に確認できます。ブラウザでスクリプトを無効にしてページを再読み込みしてください。そのまま見えているものは PDF に入り、消えるものは入りません。
PDF での保存は、スクリーンショットやブックマークと何が違うか
ページを残す3つの方法は、それぞれ解決する問題が違います。取り違えると後で困ります。
| 方法 | 残るもの | 残らないもの |
|---|---|---|
| ブックマーク | アドレスだけ | ページが変更されたり、なくなったりすることがある |
| スクリーンショット | 表示されている範囲の画像 | 文字の検索やコピーができず、長いページは収まらない |
| 文字、書式、全ページ | 操作に応じた動作や、スクリプトで読み込まれる内容 |
証拠として残したい場合は、2行目の3列目が重要です。料金表のスクリーンショットでは、検索で条項を探すこともできず、画面の下に何があったかも分かりません。PDF ならどちらもできます。
別に覚えておきたいことがあります。この3つのどれも、ある日付のページ内容を法的に証明するものではありません。そのためには公証人による認証という手段があり、仕組みが異なります。
保存の手順
1. ブラウザでページを開き、HTML として保存します。このとき単一ファイルにするオプションを選びます。 2. HTMLをPDFに変換 オンラインを開き、保存したファイルをアップロードします。 3. ページサイズを A4 か Letter から選びます。 4. デザインが重要なら、背景グラフィックはオンのままにします。 5. 変換を実行し、結果を元のページと見比べます。
5番目の手順は、1か月後ではなくすぐに行ってください。何かが欠けていても、ページがまだ見られる状態なら、別の方法で保存し直せます。
背景グラフィックはオンのままにする理由
背景グラフィックのスイッチは、塗りつぶし、背景画像、色付きのパネルを PDF に含めるかどうかを決めます。
初期設定はオンで、アーカイブにはこれが適切です。オフにすると、色付きのパネル上の文字が白地の文字になり、デザインが持っていた意味の一部が失われます。特に目立つのは、色で示された警告や、行ごとに色が交互になっている表です。
オフにする理由は1つだけです。プリンターで印刷する場合に、塗りつぶしでトナーを消費するのを避けたいときです。アーカイブ用途なら、オンのままにしてください。
ページサイズと幅の広い表
ページサイズの初期値は A4 です。選べるのは A4 と Letter だけで、任意のサイズは指定できません。
ここから避けられない問題が出てきます。Webページには決まった幅がなく、ウィンドウに合わせて変わります。一方 PDF の幅は固定です。ブラウザでは横にスクロールできた幅の広い表は、用紙の端で切れてしまいます。
ツールの中でこれを回避する方法はありません。外側で対処している人は多く、保存する前にブラウザのページの拡大率を下げると、表が幅に収まります。
HTML がプレーンテキストになる場合
自動の簡易処理があります。画像、表、埋め込みスタイル、メディアをまったく含まない非常に大きな HTML ファイルは、レイアウトなしのプレーンテキストとして出力されます。
これは意図した動作です。文字だけの数MBのページを完全に描画するのは負荷が大きく、得られる結果は同じだからです。
この処理は黙って行われるわけではありません。結果には、文書が簡易的な形式で作成され、書式が保持されていないという警告が付きます。その結果が不都合なら、ファイルが誤って判定に引っかかったということです。マークアップが残る形でページを保存し直してください。
完成したアーカイブの扱い
すぐにやっておきたいことが3つあります。
サイズを確認します。画像の多いページは重い PDF になりますが、PDFを圧縮 オンラインを使えば、文字には手を加えずに小さくできます。
文書のプロパティを入力します。HTML から作った PDF では、タイトル欄が空か、技術的な文字列になっていることがよくあります。PDFのメタデータを設定 オンラインで内容の分かるタイトルと日付を入れておくと、1年後に検索しやすくなります。
複数のページで1つの文書になる場合は、保存した順ではなく読む順に、PDFを結合 オンラインでまとめます。
最後に。長期保存するなら、完成した PDF をPDFをPDF/Aに変換 オンラインに通しておくとよいでしょう。アーカイブ用のプロファイルでは、表示に必要なものがすべてファイルの中に収まっている必要があります。これはまさにアーカイブに求められる条件です。
著者
サービスチームが作成し、Sergey Gaginがサービスの責任者を務めています。
よくある質問
このグループの他の記事
関連ツール
HTMLをPDFに変換
HTMLページをPDFに変換して、内容を保管や送信のための文書として保存します。
PDFを圧縮
メール送信やアップロードフォームのために、PDFのサイズを小さくします。プリセットまたは目標サイズを選び、共有する前に読みやすさと完成したファイルサイズを確認してください。
PDFをオンラインで結合
複数のPDFを1つの文書にまとめます。ファイルを追加し、表示順を整えて、新しいコピーをダウンロードしてください。
PDFをPDF/Aに変換
通常のPDFを、文書を確実に長期保存するために設計された形式であるPDF/Aに変換します。