Docverter在减价-> pdf上丢失utf-8编码

Question

当我试图使用Docverter (通过API)将utf-8编码的标记文件转换为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可以帮助做.md -> .html，那么我可以为.html -> .pdf使用其他的库/服务吗？

Answer 1

最新情况(2013年10月14日)

Docverter 现在解决了中布尔选项的问题，因此您现在可以从md直接转换为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，因此得到的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bug出现在Docverter进行的html->pdf转换中，Docverter使用的是Flying库。这种转换忽略了HTML输入中的任何非ascii char，即使字符集在meta标记中正确地设置为meta。

但是，如果HTML包含实体(如ó等)，那么fine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)，则适当的字符(在本例中为ó)显示在生成的pdf中。

因此，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，使其使用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，那么步骤2很容易。在本例中，下面的行可以实现此目的：

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

备注：这种复杂的方法不应该是必需的，因为pandoc接受开关--ascii，它强制它生成第2步中获得的--ascii。然而，用于布尔选项好像被打破了的Docverter解析器无法将选项ascii传递给Docverter。