Convertir HTML en PDF

Le PDF est construit à partir de la structure du HTML, pas de son apparence : titres, listes, tableaux, citations et blocs préformatés sont mis en page proprement, la balise title donne son titre au document, et les lignes d’en-tête d’un tableau, faites de cellules d’en-tête (th), se répètent en haut de chaque page. Un tableau trop large pour la page est imprimé en plus petit et, s’il ne tient toujours pas, réparti en tableaux successifs où la première colonne est répétée ; un message le signale alors. Une image plus de deux fois plus haute que la page (une longue infographie, une capture d’écran de téléphone) garde sa largeur et se poursuit sur les pages suivantes ; une image moins haute est réduite pour tenir sur une page. Cela convient bien à un e-mail enregistré en .html, à un export de documentation ou de notes, ou à un rapport généré par un logiciel.

La disposition du site n’étant pas reproduite, une page web enregistrée depuis le navigateur emporte aussi ses menus, barres latérales et pieds de page, en texte. Ses blocs sont écrits dans l’ordre où la page les affiche à l’écran (boîtes flex, grilles) et séparés comme elle les sépare, et un tableau fait par les styles reste un tableau ; un bloc que la page place en haut de son cadre, après le début de sa première ligne (un prix en haut à droite d’une fiche produit), est écrit après cette ligne ; un autre bloc que la page place ailleurs par sa position (position absolue ou fixe) reste à sa place dans le fichier, et un message le cite. Ce que la page masque elle-même, par l’attribut hidden, des styles écrits dans le fichier, une boîte de dialogue ou une fenêtre surgissante fermées ou un bloc de taille fixe qui coupe ce qui le dépasse, reste masqué comme dans le navigateur d’un ordinateur, à l’écran (les règles réservées à l’impression ne masquent ni n’affichent rien ; un message cite ce que la page imprimée montre autrement), et un message cite le texte coupé ; une ligne qu’un bloc coupe en partie est gardée entière, et un message cite ce que la page en cache ; le contenu d’une section repliée est repris déplié, et le texte que la page rend invisible sans le retirer (transparent, de taille nulle, de la couleur du fond, placé hors de l’écran, dans une forme, sous un masque ou sous un filtre) est repris : un message cite l’un et l’autre. Le gras, l’italique ou le barré donnés par ces styles sont repris, comme les signes et numéros de liste qu’ils définissent (A., i., ✔, un numéro imposé à un élément), la casse qu’ils imposent (majuscules, minuscules), appliquée selon la langue du texte, et les retours à la ligne et les espaces qu’ils conservent (propriété white-space : export de Notion, code collé depuis un éditeur). Les petites capitales et le texte en miroir, à l’envers, vertical ou tourné sont écrits en lettres ordinaires et en lignes horizontales, et un texte affiché dans un ordre forcé (élément bdo) est repris avec des caractères de contrôle Unicode qui gardent cet ordre ; un message signale ces textes et en cite des exemples. Une image que la page tourne ou retourne, elle-même ou par le bloc qui la contient, garde son angle, et une image que sa boîte recadre ou entoure d’espace (object-fit) est dessinée comme la page la montre. Ce qu’une feuille de style séparée masquait, comme un bandeau de cookies, peut en revanche réapparaître : un message nomme ces feuilles, que le convertisseur ne peut pas lire ; et si la mise en page de la page ne peut pas être calculée, un message prévient que du texte coupé ou masqué peut figurer dans le fichier. Les listes d’une page exportée de Google Docs ou de Word gardent leurs niveaux et leur numérotation, et les symboles des polices Symbol et Wingdings d’une page enregistrée par Word deviennent les caractères affichés (α, Ω, ✓). Le contenu ajouté par JavaScript, fréquent sur les sites modernes, manque dans le fichier. Une page faite uniquement de cadres (comme l’index d’une ancienne documentation Javadoc) est refusée, avec le nom des fichiers qu’elle affiche : convertissez ceux-là. Les images enregistrées dans un dossier à part ou sur le Web ne sont pas reprises : leur description, quand elles en ont une, est écrite à leur place, comme dans un navigateur qui ne peut pas les afficher, et un message les signale. Les sauts de page demandés pour l’impression (styles de saut de page, sections d’une page Web de Word) sont repris, comme le format et l’orientation des pages (@page) : si vous imposez A4 ou Letter dans les réglages, seule l’orientation est gardée, et sans règle @page, les pages sont en A4. Un fichier .xhtml est lu comme le navigateur l’ouvre.