跳到正文
文章

HTML 转 PDF:保存网页的方法与注意事项

工具接收的是保存好的 HTML 文件,而不是网址,并在隔离的浏览器中渲染。因此本地图片不会被读取,加载之后才出现的内容也不会进入 PDF。

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.

5 篇文章

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
PDF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

关于本项目

常见问题

不可以,工具只处理文件。请在浏览器中把网页保存为 HTML,再上传保存的结果。把整个网页打包成单个文件的保存选项效果最好。
网页是在隔离环境中渲染的:对本地文件的请求会被拦截,外部地址中只放行静态扫描时在 HTML 里能看到的那些。网页打开后由脚本再拉取的图片,渲染器拿不到。
这是自动的快速通道:体积很大、不含图片、表格、嵌入样式或媒体的 HTML 文件会按文本渲染。结果中带有一条警告,说明格式没有保留。
不需要。基本功能无需注册账号即可使用。
文件只用于你所选的操作,处理完成后会自动删除。我们不会使用上传的文档来训练 AI 模型。

该专题的更多内容

相关工具

← 全部转换工具

接下来做什么

阅读之后,如需了解下一步怎么做或服务的相关信息,请打开以下页面。

全部工具

PDF 工具目录:在浏览器中合并、压缩、拆分、转换、旋转、保护和解锁 PDF 文件,无需安装任何软件。

常见问题

查看有关 iHatePDF 账号、文件处理、上传限制、手机使用、隐私,以及 PDF 工具报错时该怎么办的解答。

联系我们

如有处理错误、工具选择、安全问题、商务合作或新功能建议,欢迎联系 iHatePDF。联系时请简要说明遇到的问题和使用的工具。