HTML 转 PDF:保存网页的方法与注意事项
简言之: 网页由无头浏览器根据你上传的 HTML 文件渲染。本地路径完全不会被读取,外部地址也只限于 HTML 中明确可见的那些。要得到可靠的存档,就用一个把所有内容嵌入其中的自包含文件。
专题
安全
安全: PDF guidance for reliable document processing and quality checks.
主要工具
在线 HTML 转 PDF
打开本文提到的工具,并以当前界面语言完成操作。
打开工具目录
把网页存成 PDF:哪些内容能进存档,哪些不能
有些网页需要留存,而且一年后打开时仍要和今天一模一样:服务条款、资费页面、随时可能被人改动的文章。PDF 比截图合适,因为文字还在;也比书签合适,因为它不依赖别人的服务器。
不过,从“浏览器里的网页”到“PDF 里的网页”,中间有几个环节会丢内容。下面逐一说明丢在哪里。
工具接收的是文件,不是网址
先要明白一点:这里不能输入网站地址,只能上传一个已保存的 HTML 文件。
浏览器可以保存网页。保存对话框通常提供两种选择:仅保存 HTML,或者把整个网页打包保存。第二种明显更好,它会把标记、样式和图片收进同一个文件,而存档正需要这样的文件。
为什么要这样做,下一节会解释,而且大多数出乎意料的结果都能由此说明。
图片为什么会消失
网页是在一个隔离的浏览器中渲染的,内容是直接交给它的,并不是从某个文件路径打开的。这样的页面在磁盘上没有位置,也就无从读取旁边的其他文件。
由此得出一条硬性规则:对本地文件的引用不起作用。假设 `page.html` 旁边有一个装满图片的 `page_files` 文件夹,其中任何一张都不会进入 PDF,浏览器根本访问不到它们。
外部地址可以使用,但并非所有地址都行。渲染之前,系统会对 HTML 做静态扫描,从中列出地址清单,只获取清单上的资源。标记里没有提到的资源会被拦截,重定向到其他地址的请求也一样。
实际的结论只有一个:要得到可靠的存档,就用自包含的单个文件,把图片和样式嵌入标记内部,而不是放在文件旁边。
加载之后才出现的内容不会进入 PDF
第二个丢失来源是动态内容。
现代网页常常在打开之后再拉取内容:滚动时才加载的图片、点击后才出现的评论、通过单独请求取得的数据表。渲染依据的是标记,而不是一个运行中的页面,后来加载的内容不在标记里。
出于同样的原因,折叠的区块仍保持折叠,非当前标签页的内容不会出现,悬停时才显示的内容也都没有。
可以提前检查内容能否进入存档:在浏览器中关闭脚本,然后重新加载页面。仍然可见的内容会进入 PDF,消失的则不会。
PDF 存档与截图、书签有何不同
保存网页的三种方式解决的是不同的问题,混为一谈代价不小。
| 方式 | 保存的内容 | 缺少的内容 |
|---|---|---|
| 书签 | 只有地址 | 网页可能改变或消失 |
| 截图 | 可见区域的图片 | 文字无法搜索或复制,长页面放不下 |
| 文字、格式、完整的每一页 | 交互功能,以及由脚本加载的内容 |
如果是为了留证据,要看的是第二行的第三列。资费页面的截图不能让你按关键词找到某一条款,也看不到折叠线以下的内容。PDF 两点都能做到。
另外要单独记住:这三种方式都不能作为某个日期网页内容的法律证明。这需要公证,而公证的做法不同。
保存步骤
1. 在浏览器中打开网页,将其保存为 HTML,并选择单文件选项。 2. 打开 HTML 转 PDF 在线,上传保存好的文件。 3. 选择页面尺寸:A4 或 Letter。 4. 如果页面设计很重要,请保持背景图形开启。 5. 运行任务,并把结果与原网页对照。
第五步要立刻做,不要等一个月后:如果缺了东西,网页还在,可以换一种方式重新保存。
背景图形与为何要开启
背景图形开关决定填充色、背景图片和彩色面板是否进入 PDF。
它默认是开启的,这对存档是正确的:关闭后,彩色面板上的文字会变成白底上的文字,设计里的一部分含义也随之丢失。用颜色标示的警告和隔行变色的表格受影响最明显。
关闭它只有一个理由:页面要送去打印,而填充色会耗费墨粉。做存档的话,请保持开启。
页面尺寸与宽表格
页面尺寸默认为 A4。这里只能在 A4 和 Letter 之间选择,不支持任意尺寸。
由此带来一个无法避免的问题。网页没有固定宽度,它会随窗口调整;PDF 的宽度是固定的。在浏览器里需要横向滚动的宽表格,到了纸张边缘就会被截断。
在工具内部没有办法解决,只能在外部想办法:保存之前,先在浏览器中缩小页面缩放比例,表格就能适应宽度。
HTML 何时变成纯文本
系统有一条自动的快速通道。体积很大、而且不含图片、表格、嵌入样式和媒体的 HTML 文件,会按纯文本渲染,不带版式。
这是有意为之的决定:把几兆字节的纯文字页面完整渲染一遍成本很高,得到的结果却是一样的。
这个过程不会悄悄发生。结果中会带有一条警告,说明文档是以简化形式生成的,格式没有保留。如果这样的结果不符合需要,说明文件被这条判断规则误判了,建议换一种能保留标记的方式重新保存网页。
存档完成后可以做什么
有三件事值得马上做。
检查文件大小。图片很多的网页会生成体积较大的 PDF,使用 压缩 PDF 在线 可以缩小体积,而不会动到文字。
填写文档属性。由 HTML 生成的 PDF,标题字段通常是空的,或者是一串技术字符。通过 设置 PDF 元数据 在线 写上有意义的标题和日期,一年后查找存档会容易得多。
如果有几个页面构成一份文档,请用 合并 PDF 在线 按阅读顺序组装,而不是按保存的先后顺序。
最后一点。如果要长期保存,建议把结果再用 PDF 转 PDF/A 在线 处理一遍:归档格式要求显示所需的一切都放在文件内部,这正是存档所需要的。
作者
由服务团队编写;Sergey Gagin 负责本服务
常见问题
该专题的更多内容
相关工具
在线 HTML 转 PDF
把 HTML 文件转换为 PDF,以便归档或分享文件内容。
在线压缩 PDF
减小 PDF 的大小,方便发邮件或上传到表单。选择预设或目标大小,分享前先检查清晰度和最终文件大小。
在线合并 PDF
将多个PDF文件合并成一个文档。添加文件,调整文件顺序,然后下载合并后的文档。
在线 PDF 转 PDF/A
把普通 PDF 转换为 PDF/A,这种格式专为文档的可靠长期保存而设计。