导出的网站、文档集或存档的 Web 内容中的 HTML 文件文件夹代表了以浏览器可以理解但文档系统不能理解的格式锁定的有价值的信息。将这些文件转换为单个组合PDF Batch文档可将内容保留为可移植、可打印和可存档的格式。转换过程会导航 HTML 文件、呈现其内容并将所有内容组合成一个 PDF。
将 HTML 文件批量转换为单个 PDF 涉及两个阶段：将每个 HTML 文件单独渲染为 PDF 页面或部分，然后将这些单独的输出合并到一个组合文档中。渲染阶段处理文本格式化、图像嵌入和超链接保存。合并阶段处理页面排序、一致的格式和文档结构。
WukongPDF 的Web 到 PDF 和PDF Export 转换工具可处理 HTML 到 PDF 的批量转换，以进行 Web 内容保存和文档归档。
方法 1：通过手动组装浏览器打印为 PDF
对于少量 HTML 文件（通常少于 20 个），浏览器打印到 PDF 方法与手动组装相结合就足够了。在浏览器中打开每个 HTML 文件。使用 Ctrl+P 或 Cmd+P 打开打印对话框。将目标设置为另存为 PDF。配置页面设置：选择正确的纸张尺寸，将网页内容的边距设置为最小，并启用背景图形以保留页面样式。
将每个文件另存为单独的 PDF，并使用包含页面顺序的描述性文件名。保存所有文件后，使用 PDF 合并工具将它们合并为一个文档。在 Acrobat Pro 中，使用合并文件工具。在浏览器中，使用在线 PDF 合并服务。合并之前按正确的顺序排列文件。
浏览器方法使您可以控制每个页面的呈现。您可以调整每个文件的打印设置，以处理具有不同布局、宽度或背景要求的页面。代价是需要手动单独打开和保存每个文件，超过大约 20 个文件就变得不切实际。
方法 2：使用 Headless Chrome 进行命令行转换
在文档工作流程中，对于许多 HTML 文件的批量转换，无头浏览器提供了自动化。 Headless Chrome 在没有可见界面的情况下运行，可以通过命令行指令将 HTML 渲染为 PDF。命令 chrome --headless --disable-gpu --print-to-pdf=output.pdf input.html 将单个 HTML 文件渲染为 PDF。
将命令封装在 shell 脚本中，该脚本会迭代文件夹中的所有 HTML 文件，将每个文件呈现为 PDF，并命名输出文件以保留正确的页面顺序。 bash 循环处理整个文件夹： for f in *.html;执行 chrome --headless --print-to-pdf=“${f%.html}.pdf” “$f”；完毕。渲染所有文件后，将各个 PDF 合并为一个组合文档。
Headless Chrome 提供准确的渲染，与用户在常规浏览器窗口中打开 HTML 文件时看到的内容相匹配。 CSS 样式、JavaScript 生成的内容和 Web 字体都可以正确呈现，因为呈现引擎与标准 Chrome 浏览器相同。
方法 3：专用 HTML 到 PDF 转换工具
有几种专门用于 HTML 到 PDF 转换的工具，具有专为批处理设计的功能。 wkhtmltopdf 是一个开源命令行工具，它使用 WebKit 渲染引擎将 HTML 转换为 PDF。它支持通过 shell 脚本进行批量转换，并提供页面大小、边距、页眉和页脚内容以及目录生成选项。
Prince XML 是一种商业工具，可以从 HTML 和 CSS 生成高质量的 PDF 输出。它用于印刷质量至关重要的专业出版工作流程。 Prince 处理复杂的 CSS 布局，包括多列文本、脚注和特定于页面的样式，生成适合印刷生产的输出。
在线转换服务接受 HTML 内容的 ZIP 文件并返回合并的 PDF 输出。这些服务方便偶尔使用，且无需安装软件。代价是 HTML 文件被上传到远程服务器进行处理，这对于机密内容来说可能是不可接受的。
在 HTML 到 PDF 转换期间保留超链接
HTML 文件之间的内部超链接（例如页面之间的导航链接）应作为内部页面链接保留在合并的 PDF 中。转换工具必须将原始 HTML 文件引用映射到 PDF 输出中相应的页码。并非所有转换工具都自动支持此映射。
当使用启用本地文件访问标志配置时，wkhtmltopdf 会保留内部链接。 Prince XML 默认保留超链接。 Headless Chrome 的打印转 pdf 功能不会自动将内部 HTML 链接转换为 PDF 内部链接。转换后，使用 Acrobat Pro 的链接工具在 PDF 中手动添加关键导航路径的链接注释。
大多数转换工具会将指向其他网站的外部超链接保留为可单击的 PDF 链接。测试输出 PDF 中的外部链接示例，以确认它们正确地通过了转换过程。
管理页码和文档结构
实际上，来自多个 HTML 文件的组合 PDF 需要一致的页码和逻辑文档结构。合并后使用 Acrobat Pro 的页眉和页脚工具添加页码。创建一个目录页，列出主要部分及其起始页码。为每个主要部分添加 PDF 书签以启用侧边栏导航。
从广义上看，在文档工作流程中，对于具有清晰层次结构的 HTML 文档集，请在 PDF 结构中保留该层次结构。主索引页成为 PDF 封面或简介。子页面成为带有相应书签的部分。文档结构可帮助读者像浏览原始 HTML 网站一样轻松地浏览转换后的内容。
处理具有不同字符编码的 HTML 文件
批次中的 HTML 文件可能使用不同的字符编码。使用 ISO-8859-1 的旧页面与使用 UTF-8 的新页面混合会在 PDF 输出中产生乱码。转换之前，将所有 HTML 文件标准化为 UTF-8 编码。使用文本编辑器或 iconv 等命令行工具转换非 UTF-8 文件。
标准化编码后，验证特殊字符在 PDF 输出中是否正确呈现。非拉丁字母、数学符号和印刷引号中的字符是常见的故障点。在最终确定合并的 PDF 之前，抽查包含这些字符的页面。
在 HTML 到 PDF 转换期间优化图像处理
HTML 文件可能使用在批量转换期间中断的相对路径来引用图像。转换之前，将图像引用更新为绝对路径，或确保转换工具可以根据正确的基目录解析相对路径。 PDF 输出中丢失的图像显示为带有损坏图像图标的空矩形。
对于包含大图像的 HTML 文件，PDF 输出可能会出乎意料地大。配置转换工具以将图像缩小采样到适合 PDF 用途的适当分辨率。屏幕查看 PDF 可以使用 150 DPI 的图像。打印质量的 PDF 需要 300 DPI 的图像。
从 HTML 页面标题创建目录
每个 HTML 页面都有一个标题标签，可以用作 PDF 书签标签。合并各个页面的 PDF 后，使用页面标题创建 PDF 书签。在 Acrobat Pro 中，可以手动创建书签，也可以通过读取 HTML 标题标签并生成相应书签条目的脚本来创建书签。
带有良好书签的组合 PDF 提供与原始 HTML 站点导航等效的导航。读者可以展开书签树，一目了然地查看文档结构，并直接单击任何部分。书签层次结构保留了原始 HTML 内容的组织结构。
验证合并的 PDF 输出
创建组合 PDF 后，根据原始 HTML 内容对其进行验证。检查所有预期的页面是否以正确的顺序出现。验证文本内容是否正确呈现，没有截断或重叠。确认图像出现且位置正确。检查超链接是否有效并指向正确的目的地。
关于工作流程，对于大型 HTML 文档集，使用比较页数、检查损坏图像并验证链接目标的脚本自动进行验证。自动验证可以捕获手动审核数百页时可能会漏掉的转换错误。验证是合并后的 PDF 进入文档存档之前的质量关卡。
HTML 到 PDF 转换期间的元数据保留
HTML 文件通常包含元数据，例如作者信息、创建日期和元标记中的描述。大多数 HTML 到 PDF 转换器不会自动将此元数据传输到 PDF。转换后，通过“文件”、“属性”、“描述”在 Acrobat Pro 中手动添加文档元数据。从原始 HTML 元数据填充标题、作者、主题和关键字字段。
元数据对于文档管理系统和搜索引擎至关重要。可以发现具有准确元数据的组合 PDF。没有元数据的组合 PDF 是一个匿名文件，只能通过其文件名来识别。转换后花几分钟时间填充元数据。
批量 HTML 到 PDF 转换以适合打印、存档和离线分发的格式保留 Web 内容。这里描述的方法从基于浏览器的手动转换几个文件到整个文档存储库的全自动命令行处理。转换后的 PDF 采用专为长期保存和通用可访问性而设计的格式，从而延长了 HTML 内容的使用寿命。
从广义上考虑这一点，在实践中，按需将 HTML 内容转换为 PDF 的能力可确保无论原始托管平台发生变化、浏览器兼容性更新或原始 Web 源最终消失，仍可访问有价值的基于 Web 的信息。对转换的投资确保了对内容的持续访问，否则这些内容很容易受到网络托管和在线内容管理平台的不稳定的影响。