c# - dotnet - net core 2 html to pdf

Convierta los documentos de Word y docx a PDF en.NET Core sin Microsoft.Office.Interop

Question

Necesito mostrar los archivos de Word .doc y .docx en un navegador. No hay una forma real del lado del cliente para hacer esto y estos documentos no se pueden compartir con Google Docs o Microsoft Office 365 por razones legales.

Los navegadores no pueden mostrar Word, pero pueden mostrar PDF, así que quiero convertir estos documentos a PDF en el servidor y luego mostrarlos.

Sé que esto se puede hacer usando Microsoft.Office.Interop.Word , pero mi aplicación es .NET Core y no tiene acceso a la interoperabilidad de Office. Podría estar ejecutándose en Azure, pero también podría estar ejecutándose en un contenedor Docker en cualquier otra cosa.

Parece que hay muchas preguntas similares a esto, sin embargo, la mayoría está preguntando sobre full-framework .NET o suponiendo que el servidor es un sistema operativo Windows y cualquier respuesta no me sirve.

¿Cómo convierto archivos .doc y .docx a .pdf sin acceso a Microsoft.Office.Interop.Word ?

Answer 1

Usando el binario de LibreOffice

El proyecto LibreOffice es una alternativa multiplataforma de código abierto para MS Office. Podemos usar sus capacidades para exportar archivos doc y docx a PDF . Actualmente, LibreOffice no tiene una API oficial para .NET, por lo tanto, hablaremos directamente con el binario de soffice .

Es un tipo de solución "pirata", pero creo que es la solución con menos errores y costos posibles. Otra ventaja de este método es que no está restringido a la conversión de doc y docx : puede convertirlo desde cualquier formato de soporte de LibreOffice (por ejemplo, odt, html, hoja de cálculo y más).

La implementación

Escribí un programa c# simple que usa el binario soffice . Esto es solo una prueba de concepto (y mi primer programa en c# ). Admite Windows out of the box y Linux solo si se ha instalado el paquete de LibreOffice.

Esto es main.cs :

using System;
using System.Collections.Generic;
using System.Text;
using System.Diagnostics;
using System.Reflection;
namespace DocToPdf
{
public class LibreOfficeFailedException : Exception
{
public LibreOfficeFailedException(int exitCode)
: base(string.Format("LibreOffice has failed with {}", exitCode))
{}
}
class Program
{
static string getLibreOfficePath() {
switch (Environment.OSVersion.Platform) {
case PlatformID.Unix:
return "/usr/bin/soffice";
case PlatformID.Win32NT:
string binaryDirectory = System.IO.Path.GetDirectoryName(Assembly.GetExecutingAssembly().Location);
return binaryDirectory + "//Windows//program//soffice.exe";
default:
throw new PlatformNotSupportedException ("Your OS is not supported");
}
}
static void Main(string[] args) {
string libreOfficePath = getLibreOfficePath();
// FIXME: file name escaping: I have not idea how to do it in .NET.
ProcessStartInfo procStartInfo = new ProcessStartInfo(libreOfficePath, string.Format("--convert-to pdf --nologo {0}", args[0]));
procStartInfo.RedirectStandardOutput = true;
procStartInfo.UseShellExecute = false;
procStartInfo.CreateNoWindow = true;
procStartInfo.WorkingDirectory = Environment.CurrentDirectory;
Process process = new Process() { StartInfo = procStartInfo, };
process.Start();
process.WaitForExit();
// Check for failed exit code.
if (process.ExitCode != 0) {
throw new LibreOfficeFailedException(process.ExitCode);
}
}
}
}

Recursos

• El repositorio del proyecto : Ejemplo de un paquete que incluye el binario de Windows LibreOffice.

Resultados

Lo había probado en Arch Linux, compilado con mono . Lo ejecuto usando mon y el binario de Linux, y con wine : usando el binario de Windows.

Puedes encontrar los resultados en el directorio de Tests :

Archivos de entrada: testdoc.doc , testdocx.docx

Salidas:

• Vino: testdoc , testdocx .

• Mono: testdoc , testdocx .

Answer 2

Este fue un PITA, no es de extrañar que todas las soluciones de terceros cobren $ 500 por desarrollador.

Una buena noticia es que el Open XML SDK recientemente agregó soporte para .Net Standard, por lo que parece que estás de suerte con el formato .docx .

Malas noticias por el momento, no hay muchas opciones para las bibliotecas de generación de PDF en .NET Core. Dado que no parece que usted quiera pagar por uno y no puede utilizar legalmente un servicio de terceros, no tenemos otra opción, excepto el nuestro.

El principal problema es conseguir que el contenido del documento de Word se transforme a PDF. Una de las formas populares es leer el Docx en HTML y exportarlo a PDF. Fue difícil de encontrar, pero hay una versión .Net Core de OpenXMLSDK- PowerTools que admite la transformación de Docx a HTML. La solicitud de extracción está "a punto de ser aceptada", puede obtenerla desde aquí:

https://github.com/OfficeDev/Open-Xml-PowerTools/tree/abfbaac510d0d60e2f492503c60ef897247716cf

Ahora que podemos extraer el contenido del documento a HTML, necesitamos convertirlo a PDF. Existen algunas bibliotecas para convertir HTML a PDF, por ejemplo, DinkToPdf es un contenedor multiplataforma alrededor del HTML de Webkit a la biblioteca de PDF libwkhtmltox.

Pensé que DinkToPdf era mejor que https://code.msdn.microsoft.com/How-to-export-HTML-to-PDF-c5afd0ce

Docx a HTML

Pongamos todo esto, descargue el proyecto OpenXMLSDK-PowerTools .Net Core y genérelo (solo OpenXMLPowerTools.Core y OpenXMLPowerTools.Core.Example - ignore el otro proyecto). Configure el proyecto OpenXMLPowerTools.Core.Example como inicio. Ejecuta el proyecto de consola:

static void Main(string[] args)
{
var source = Package.Open(@"test.docx");
var document = WordprocessingDocument.Open(source);
HtmlConverterSettings settings = new HtmlConverterSettings();
XElement html = HtmlConverter.ConvertToHtml(document, settings);
Console.WriteLine(html.ToString());
var writer = File.CreateText("test.html");
writer.WriteLine(html.ToString());
writer.Dispose();
Console.ReadLine();

Si ejecuta el proyecto, verá que el HTML se ve casi exactamente como el contenido del documento de Word:

Sin embargo, si prueba un documento de Word con imágenes o enlaces, notará que faltan o están rotos.

Este artículo de CodeProject trata estos temas: https://www.codeproject.com/Articles/1162184/Csharp-Docx-to-HTML-to-Docx

Tuve que cambiar el método static Uri FixUri(string brokenUri) para devolver un Uri y agregué mensajes de error fáciles de usar.

static void Main(string[] args)
{
var fileInfo = new FileInfo(@"c:/temp/MyDocWithImages.docx");
string fullFilePath = fileInfo.FullName;
string htmlText = string.Empty;
try
{
htmlText = ParseDOCX(fileInfo);
}
catch (OpenXmlPackageException e)
{
if (e.ToString().Contains("Invalid Hyperlink"))
{
using (FileStream fs = new FileStream(fullFilePath,FileMode.OpenOrCreate, FileAccess.ReadWrite))
{
UriFixer.FixInvalidUri(fs, brokenUri => FixUri(brokenUri));
}
htmlText = ParseDOCX(fileInfo);
}
}
var writer = File.CreateText("test1.html");
writer.WriteLine(htmlText.ToString());
writer.Dispose();
}
public static Uri FixUri(string brokenUri)
{
string newURI = string.Empty;
if (brokenUri.Contains("mailto:"))
{
int mailToCount = "mailto:".Length;
brokenUri = brokenUri.Remove(0, mailToCount);
newURI = brokenUri;
}
else
{
newURI = " ";
}
return new Uri(newURI);
}
public static string ParseDOCX(FileInfo fileInfo)
{
try
{
byte[] byteArray = File.ReadAllBytes(fileInfo.FullName);
using (MemoryStream memoryStream = new MemoryStream())
{
memoryStream.Write(byteArray, 0, byteArray.Length);
using (WordprocessingDocument wDoc =
WordprocessingDocument.Open(memoryStream, true))
{
int imageCounter = 0;
var pageTitle = fileInfo.FullName;
var part = wDoc.CoreFilePropertiesPart;
if (part != null)
pageTitle = (string)part.GetXDocument()
.Descendants(DC.title)
.FirstOrDefault() ?? fileInfo.FullName;
WmlToHtmlConverterSettings settings = new WmlToHtmlConverterSettings()
{
AdditionalCss = "body { margin: 1cm auto; max-width: 20cm; padding: 0; }",
PageTitle = pageTitle,
FabricateCssClasses = true,
CssClassPrefix = "pt-",
RestrictToSupportedLanguages = false,
RestrictToSupportedNumberingFormats = false,
ImageHandler = imageInfo =>
{
++imageCounter;
string extension = imageInfo.ContentType.Split(''/'')[1].ToLower();
ImageFormat imageFormat = null;
if (extension == "png") imageFormat = ImageFormat.Png;
else if (extension == "gif") imageFormat = ImageFormat.Gif;
else if (extension == "bmp") imageFormat = ImageFormat.Bmp;
else if (extension == "jpeg") imageFormat = ImageFormat.Jpeg;
else if (extension == "tiff")
{
extension = "gif";
imageFormat = ImageFormat.Gif;
}
else if (extension == "x-wmf")
{
extension = "wmf";
imageFormat = ImageFormat.Wmf;
}
if (imageFormat == null) return null;
string base64 = null;
try
{
using (MemoryStream ms = new MemoryStream())
{
imageInfo.Bitmap.Save(ms, imageFormat);
var ba = ms.ToArray();
base64 = System.Convert.ToBase64String(ba);
}
}
catch (System.Runtime.InteropServices.ExternalException)
{ return null; }
ImageFormat format = imageInfo.Bitmap.RawFormat;
ImageCodecInfo codec = ImageCodecInfo.GetImageDecoders()
.First(c => c.FormatID == format.Guid);
string mimeType = codec.MimeType;
string imageSource =
string.Format("data:{0};base64,{1}", mimeType, base64);
XElement img = new XElement(Xhtml.img,
new XAttribute(NoNamespace.src, imageSource),
imageInfo.ImgStyleAttribute,
imageInfo.AltText != null ?
new XAttribute(NoNamespace.alt, imageInfo.AltText) : null);
return img;
}
};
XElement htmlElement = WmlToHtmlConverter.ConvertToHtml(wDoc, settings);
var html = new XDocument(new XDocumentType("html", null, null, null),
htmlElement);
var htmlString = html.ToString(SaveOptions.DisableFormatting);
return htmlString;
}
}
}
catch
{
return "The file is either open, please close it or contains corrupt data";
}
}

Ahora podemos obtener imágenes:

Si solo desea mostrar los archivos .docx de Word en un navegador web, es mejor que no convierta el HTML a PDF, ya que eso aumentará significativamente el ancho de banda. Puede almacenar el HTML en un sistema de archivos, en la nube o en un dB utilizando una tecnología VPP.

HTML a PDF

Lo siguiente que debemos hacer es pasar el HTML a DinkToPdf. Descargue la solución DinkToPdf (90 MB). Cree la solución: tomará un tiempo hasta que todos los paquetes se restauren y la solución se compile.

IMPORTANTE:

La biblioteca DinkToPdf requiere el archivo libwkhtmltox.so y libwkhtmltox.dll en la raíz de su proyecto si desea ejecutar en Linux y Windows. También hay un archivo libwkhtmltox.dylib para Mac si lo necesita.

Estas dlls están en la carpeta v0.12.4. Dependiendo de su PC, 32 o 64 bits, copie los 3 archivos a la carpeta DinkToPdf-master / DinkToPfd.TestConsoleApp / bin / Debug / netcoreapp1.1.

IMPORTANTE 2:

Asegúrese de tener libgdiplus instalado en su imagen de Docker o en su máquina Linux. La biblioteca libwkhtmltox.so depende de ello.

Establezca DinkToPfd.TestConsoleApp como proyecto de Inicio y cambie el archivo Program.cs para leer el contenido HTML del archivo HTML guardado con Open-Xml-PowerTools en lugar del texto Ipsom de Lorium.

var doc = new HtmlToPdfDocument()
{
GlobalSettings = {
ColorMode = ColorMode.Color,
Orientation = Orientation.Landscape,
PaperSize = PaperKind.A4,
},
Objects = {
new ObjectSettings() {
PagesCount = true,
HtmlContent = File.ReadAllText(@"C:/TFS/Sandbox/Open-Xml-PowerTools-abfbaac510d0d60e2f492503c60ef897247716cf/ToolsTest/test1.html"),
WebSettings = { DefaultEncoding = "utf-8" },
HeaderSettings = { FontSize = 9, Right = "Page [page] of [toPage]", Line = true },
FooterSettings = { FontSize = 9, Right = "Page [page] of [toPage]" }
}
}
};

El resultado de Docx vs PDF es bastante impresionante y dudo que muchas personas puedan distinguir muchas diferencias (especialmente si nunca ven el original):

PD. Me doy cuenta de que querías convertir .doc y .docx a PDF. Yo sugeriría hacer un servicio para convertir .doc a docx usando una tecnología específica de Windows / Microsoft que no sea de servidor. El formato de documento es binario y no está destinado a la automatización de la oficina del lado del servidor .

Answer 3

Recientemente he hecho esto con spire.doc. Tiene un límite de 3 páginas para la versión gratuita, pero puede convertir fácilmente un archivo docx a PDF usando algo como esto

 private void ConvertToPdf()
{
try
{
for (int i = 0; i < listOfDocx.Count; i++)
{
CurrentModalText = "Converting To PDF";
CurrentLoadingNum += 1;
string savePath = PdfTempStorage + i + ".pdf";
listOfPDF.Add(savePath);
Spire.Doc.Document document = new Spire.Doc.Document(listOfDocx[i], FileFormat.Auto);
document.SaveToFile(savePath, FileFormat.PDF);
}
}
catch (Exception e)
{
throw e;
}
}

Luego coso estos pdfs individuales más tarde usando itextsharp.pdf

 public static byte[] concatAndAddContent(List<byte[]> pdfByteContent, List<MailComm> localList)
{
using (var ms = new MemoryStream())
{
using (var doc = new Document())
{
using (var copy = new PdfSmartCopy(doc, ms))
{
doc.Open();
//add checklist at the start
using (var db = new StudyContext())
{
var contentId = localList[0].ContentID;
var temp = db.MailContentTypes.Where(x => x.ContentId == contentId).ToList();
if (!temp[0].Code.Equals("LAB"))
{
pdfByteContent.Insert(0, CheckListCreation.createCheckBox(localList));
}
}
//Loop through each byte array
foreach (var p in pdfByteContent)
{
//Create a PdfReader bound to that byte array
using (var reader = new PdfReader(p))
{
//Add the entire document instead of page-by-page
copy.AddDocument(reader);
}
}
doc.Close();
}
}
//Return just before disposing
return ms.ToArray();
}
}

No sé si esto se adapta a su caso de uso, ya que no ha especificado el tamaño de los documentos que está intentando escribir, pero si son> 3 páginas o puede manipularlos para que tengan menos de 3 páginas, le permitirá convertirlos. en pdfs