带有德语字母的 Html 到 Pdf

Question

我正在使用openhtmltopdf 将 html 转换为 pdf。目前，如果 html 包含德语字符，例如 ä,ö,ü，我会遇到异常。

  PdfRendererBuilder builder = new PdfRendererBuilder();
  builder.useFastMode();
  builder.withHtmlContent(html,"file://localhost/");
  builder.toStream(out);
  builder.run();

org.xml.sax.SAXParseException;行号：17；列号：31；这 实体“auml”被引用，但未声明。

这是我的html：

<html>
   <head>      
      <meta charset="UTF-8" />
    </head>
    <body>
        k&auml;se
    </body>
</html>

导出的单词是“käse”（奶酪）。

---

更新

我尝试过使用实体解析器，方式如下：

 DocumentBuilderFactory factory=DocumentBuilderFactory.newInstance();
    DocumentBuilder builder=null;
    try{
      builder=factory.newDocumentBuilder();

      ByteArrayInputStream input=new ByteArrayInputStream(html.getBytes("UTF-8"));
      builder.setEntityResolver(FSEntityResolver.instance());
      org.w3c.dom.Document doc=builder.parse(input);


    }catch(Exception e){
      logger.error(e.getMessage(),e);
    }

但我在“解析”时仍然遇到同样的异常。

Answer 1

看来您需要提供DTD 或将实体名称auml 替换为其对应的十六进制或十进制值，即分别为ä 或ä。请参阅A.2. Entity Sets 和HTML 4 Entity Names。

html 内容如下所示：

<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE html [
        <!ENTITY auml "&#228;">
]>
<html>
    <head>
    </head>
    <body>
        k&auml;se
    </body>
</html>

或者，您可以遍历 html 字符串并将实体名称替换为其对应的 dec/hex 值，这应该没问题，或者在将 DTD 传递给 pdf 构建器之前将其添加到您的 html 字符串。

---

更新

您可能想试试jsoup 库。它会解析并为您提供org.w3c.dom.Document，例如

Document jsoupDoc = Jsoup.parse(html); // org.jsoup.nodes.Document
W3CDom w3cDom = new W3CDom(); // org.jsoup.helper.W3CDom
org.w3c.dom.Document w3cDoc = w3cDom.fromJsoup(jsoupDoc);

然后您可以像这样将w3cDoc 传递给 pdf 构建器

PdfRendererBuilder builder = new PdfRendererBuilder();
builder.withW3cDocument(w3cDoc, "file://localhost/");