Docverter 在降价时丢失 utf-8 编码 -> pdf

Question

当我尝试使用Docverter（通过API）将utf-8编码的markdown文件转换为pdf时，我只会丢失非ASCII字符。

有什么解决办法吗？

我想转换.md->.pdf。也许Docverter可以帮助我做.md->.html，然后我可以使用其他库/服务来转换.html->.pdf？

Answer 1

更新（2013年10月14日）

Docverter中布尔选项的问题现在已经解决，因此您现在可以直接从md转换为pdf，将选项ascii=true传递给Docverter。这导致中间HTML使用实体而不是utf-8，因此生成的pdf是可以的

原始答案

经过大量的研究（我也遇到了同样的问题），我发现这个错误出现在Docverter使用Flying Saucer库进行的html->pdf转换中。此转换忽略HTML输入中的任何非ascii字符，即使在meta标记中将字符集正确设置为utf-8也是如此。

然而，如果HTML包含ó等实体，那么Flying Saucer确实包含这些字符，并且假设字体具有正确的编码（库使用的默认字体很好），则在生成的pdf中显示正确的字符（本例中为ó）。

所以我最终采用了以下方法：

1. 使用Docverter转换.md->html
2. 处理生成的html以使用HTML实体，而不是utf-8
3. 再次使用Docverter转换.html->.pdf

如果您碰巧使用python，步骤2很容易。在这种情况下，以下几行就可以了：

def fixHTML(filename):
   f = open(filename, "r")
   content = unicode(f.read(), "utf-8")  # Reads the file into a unicode string
   f.close()
   f = open(filename, "w")
   f.write(content.encode("ascii", "xmlcharrrefreplace")) # Writes with the fixed encoding

注意：不需要这种复杂的方式，因为pandoc接受开关--ascii，这迫使它生成步骤2中获得的HTML。然而，用于布尔选项的Docverter解析器似乎已损坏，因此无法将选项ascii传递给Docverter。