HTML ⟹ PDF @ Python

Наверняка не очень редко возникает задача печати HTML-документов с какого-то сервера в точности как задумано автором этого сервера. Делать это лучше всего не в надежде на браузер клиента, а на стороне сервера. А если на сервере крутится нечто на питоне (Django/Flask/тысячи их), то хорошо бы оценить во что это обойдется.

Для тестов выбирались такие библиотеки, чтобы как минимум были в виде пакетов в официальных репо RH-based дистрибутивов или же — в крайнем случае — можно было таковые собрать. И чтобы без долгих танцев с бубном.
В macOS всё ставилось с помощью homebrew и pip3, в Fedora — из стандартного репо (искл. xhtml2pdf — этого в репах нет, но при должной усидчивости за пару часов можно собрать вполне себе цивильный rpm).

Дано:

После тщательного отбора кандидатов накопилось аж 3:

• python-pdfkit — адаптер к вызову бинарника wkhtmltopdf.

• weasyprint — прокладка между html5lib и reportlab.

• xhtml2pdf — примерно то же самое, что и weasyprint, но со своими тараканами особенностями. В таблице указано как «Pisa» (основной модуль).

Платформ для тестирования набралось под руками тоже 3 (все x64):

• MacBook — Apple MacBookPro9.2 (13″ mid 2012, i5-3210M (2.5GHz)), HDD, macOS 10.15 «Catalina», Python 3.9 (brew)

• LinBook (так это назовем) — тот же самый макбук, но с Fedora 33, Python 3.9

• DeskTop — Intel G3450 (3.4GHz), HDD, Fedora 33, Python 3.9

Документов для тестов — 3 (все — на одну страничку каждый):

• ПД4 — квитанция на оплату налогов и сборов в Сбер (форма ПД-4сб). HTML ручной работы, максимально соответствующий стандартам. Требования к точности передачи задумки автора в печати довольно высокие.

• Инструкция — чей-то документ с заголовком, комментариями, табличками и местом для подписи. Получен из .doc экспортом из Word 2007. HTML не так, чтобы очень тяжелый, но на тяп-ляп. То есть как оно и будет в жизни. Требования к точности — никакие.

• Р21001 — последний листик (стр.5Б) формы Р21001 — с якорями для сканера, буквами в квадратиках и всем остальным, что мы так любим в документах для налоговой. Экспорт из Excel 2007, IE6-совместимо. Получилось 2 МБ формально правильного HTML, но совершенно фееричной разметки, то есть достаточно тяжелого для парсера-генератора. Требования к точности очень высокие.

Решение:

#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Benchmark of html-to-pdf converters. (c) @justhabrauser, GPLv3. """  # 1. system import os import sys from time import time # 2. 3rd from pdfkit import from_string          # https://github.com/JazzCore/python-pdfkit from weasyprint import HTML             # https://github.com/Kozea/WeasyPrint from xhtml2pdf.pisa import CreatePDF    # https://github.com/xhtml2pdf/xhtml2pdf  def __pdfkit(html: str) -> bytes:     return from_string(html, False, options={'quiet': ''})  def __weasy(html: str) -> bytes:     return HTML(string=html).write_pdf()  def __pisa(html: str) -> bytes:     pdf = CreatePDF(html)     if not pdf.err:         pdf.dest.seek(0)         return pdf.dest.read()  def main(indir: str, outdir: str, count: int) -> None:     # 1. Load all htmls     modules = (__pdfkit, __weasy, __pisa)     html_list = list()      # (filename, content)[]     dir_list = os.listdir(indir)     dir_list.sort()     for i, fn in enumerate(dir_list):         fpath = os.path.join(indir, fn)         if os.path.isfile(fpath) and fpath.endswith(".html"):             print("Load '{}'".format(fn), file=sys.stderr)             with open(fpath, "rt") as i_f:                 html = i_f.read()                 html_list.append(html)                 # 2. write results (and warm up)                 for j, m in enumerate(modules):                     with open(os.path.join(outdir, "%d_%d.pdf" % (i, j)), "wb") as o_f:                         o_f.write(m(html))     # 2. for C times x I pages x J engines:     print("Count\tPage\tEngine\tTime\n=====\t====\t======\t====")     for c in range(count):                   # count         for i, h in enumerate(html_list):    # html page             for j, m in enumerate(modules):  # engine                 t0 = time()                 m(h)                 t1 = time()                 print("{}\t{}\t{}\t{}".format(c, i, j, t1-t0))  if __name__ == '__main__':     if len(sys.argv) != 3:         print("Usage: {} <dir_with_htmls> <output_dir_for_pdfs>".format(sys.argv[0]), file=sys.stderr)     elif not os.path.isdir(sys.argv[1]):         print("Input '{}' is not dir or not exists.".format(sys.argv[1]), file=sys.stderr)     elif not os.path.isdir(sys.argv[2]):         print("Output '{}' is not dir or not exists.".format(sys.argv[2]), file=sys.stderr)     else:         main(sys.argv[1], sys.argv[2], 5) 

Среднее время обработки каждого документа (в разрезе документов, библиотек и платформ (D=DeskTop, L=LinBook, M=MacBook)), сек.:

Выводы: таракан без ног не слышит ©

Общий вывод — счастья нет. То есть я не смог ни одного кандидата однозначно выгнать на мороз или наградить золотой медалью. В среднем по больнице видно, что pdfkit дольше запрягает, но потом быстрее едет, но это и без тестов логично (хотя разница все-равно впечатляет). Ну а так каждый может оценить цифры, протестировать самостоятельно и сделать свои выводы. Я могу только привести свои личные впечатления:

• pdfkit. Все-таки это не чистокровный питон и даже не обертка C-либы, что нарушает внутреннюю гармонию и бесит перфекционизм. Радует высокое качество полученного PDF, максимально точная передача задумки (реально WYSIWYG), максимальная скорость на тяжелых документах. Не радует неторопливость на мелких задачах и почти полная неуправляемость.

• weasyprint. Бедненько — но чистенько. Всеядное, приемлемая (а иногда и неплохая) скорость, достаточно предсказуемый результат. Но без наворотов и без рекордов.

• xhtml2pdf. Вредное. HTML должен не просто идеально соответствовать стандартам, он должен еще понравиться этой либе, иначе «инжалид дежице». Отдельно идут упражнения с кириллицей (кстати, я тестировал без этих упражнений (лениво), то есть не совсем корректно) и фееричность получаемого результата. За это там куча наворотов и в среднем хорошая скорость работы (как для питона).

Отдельно стоят вопросы управления разрывами страниц, нумерация страниц, хорошо бы еще попробовать iText7 (но это вязать python с java, что из категории секаса переводит вопрос в категорию прона), wkhtmltopdf-static и иные окружения. Но я хотел просто быстро оценить порядок скорости на целевой лично для меня платформе (RHEL8+).