rustedf.cloud
Menu

Converter página web em PDF em C# sem navegador headless

Publicado em 3 min de leitura

Quem pesquisa como converter uma página web em PDF em C# costuma acabar em um navegador headless: um Chromium para baixar, atualizar e manter rodando em cada servidor. O renderizador do rustedf.cloud não é um navegador. Ele diagrama HTML e CSS para o papel, e você o chama por HTTP. Isso deixa a conversão curta, mas também define quais páginas ele atende, então este guia começa por aí.

O que ele faz e o que não faz

O renderizador lê HTML e CSS e desenha páginas. Disso decorrem três coisas:

  • Nenhum JavaScript é executado. Uma página cujo conteúdo é montado no navegador, como um aplicativo de página única, chega como uma casca vazia. Para essas, é preciso um navegador de verdade.
  • Ele nunca busca nada. Um <img> que aponta para um endereço da web é ignorado e reportado. As imagens precisam ser URLs data: ou imagens enviadas à sua conta.
  • @import e @font-face são ignorados. O que não é suportado é ignorado e reportado, nunca um erro, a menos que você peça o modo estrito.

Ele serve para páginas que o servidor já entrega como HTML completo: recibos, extratos, artigos, documentação, uma página do seu próprio aplicativo feita para impressão. Veja a lista completa em HTML e CSS suportados.

Busque a página, envie o HTML

Acrescente ao cliente tipado do guia de C# e ASP.NET Core um método que envia HTML diretamente:

public async Task<byte[]> RenderHtmlAsync(
string html, string title, CancellationToken cancellationToken = default)
{
using var response = await http.PostAsJsonAsync(
"v1/render", new { html, title }, cancellationToken);
if (!response.IsSuccessStatusCode)
{
var body = await response.Content.ReadFromJsonAsync<ErrorBody>(cancellationToken);
throw new InvalidOperationException(
body?.Error?.Message ?? $"Falha na renderização ({(int)response.StatusCode})");
}
return await response.Content.ReadAsByteArrayAsync(cancellationToken);
}

Depois busque a página e renderize o que veio:

public sealed class PageToPdf(HttpClient fetcher, PdfClient pdf)
{
public async Task<byte[]> ConvertAsync(Uri page, CancellationToken cancellationToken = default)
{
var html = await fetcher.GetStringAsync(page, cancellationToken);
// O campo html é um template: {{ }} e {% %} são lidos como marcadores.
if (html.Contains("{{") || html.Contains("{%"))
throw new InvalidOperationException("A página usa sintaxe de template própria.");
return await pdf.RenderHtmlAsync(html, page.Host, cancellationToken);
}
}

A verificação importa. O campo html é um template, então uma página que contenha {{ ou {%, por exemplo um trecho de código ou a casca de um framework de front-end, seria lida como marcadores. Quando o seu HTML já está final e não tem nenhum, envie-o como está e deixe data de fora.

Imagens

As imagens de uma página costumam apontar para endereços da web, e esses são ignorados. Baixe-as você mesmo e incorpore como URLs data: antes de enviar o HTML:

private static readonly Regex ImageSource =
new("""<img\b[^>]*?\bsrc="(?<src>[^"]+)""", RegexOptions.IgnoreCase);
private async Task<string> InlineImagesAsync(
string html, Uri page, CancellationToken cancellationToken)
{
var sources = ImageSource.Matches(html).Select(m => m.Groups["src"].Value).Distinct();
foreach (var source in sources)
{
if (source.StartsWith("data:")) continue;
using var response = await fetcher.GetAsync(new Uri(page, source), cancellationToken);
var type = response.Content.Headers.ContentType?.MediaType;
if (!response.IsSuccessStatusCode || type is not ("image/png" or "image/jpeg")) continue;
var bytes = await response.Content.ReadAsByteArrayAsync(cancellationToken);
html = html.Replace($"\"{source}\"", $"\"data:{type};base64,{Convert.ToBase64String(bytes)}\"");
}
return html;
}

Chame-o entre a busca e a renderização. Só PNG e JPEG carregam, e imagens muito grandes ou de resolução muito alta são recusadas com um aviso, em vez de deixar a renderização lenta. Uma expressão regular basta para um HTML simples; para páginas bagunçadas, leia o HTML com um parser como o AngleSharp. Um logotipo usado em todos os documentos é melhor enviado uma vez e referenciado como asset:<id>; veja Imagens.

Confira antes de depender

Envie o mesmo corpo para POST /v1/validate. Ele renderiza a página, devolve a lista do que o serviço não conseguiu usar e não devolve PDF nem consome crédito.

using var check = await http.PostAsJsonAsync("v1/validate", new { html, title }, cancellationToken);
Console.WriteLine(await check.Content.ReadAsStringAsync(cancellationToken));

Uma entrada como ImageLoadFailed ou UnsupportedProperty mostra o que a página perdeu. Nos seus testes, acrescente "strict": true à renderização, para que uma página que use algo não suportado falhe com 422 strict_mode_rejected e a lista do que ela usou.

Quando o endereço vem de um usuário

Quem faz a requisição à página é o seu servidor, então o endereço é um risco do seu código, não do renderizador: o serviço nunca busca um endereço vindo de um template, e isso é proposital. Se um usuário pode digitar o endereço:

  • aceite apenas https e confira o host em uma lista de permitidos;
  • desligue os redirecionamentos automáticos (AllowAutoRedirect = false) ou confira para onde cada um leva, para que um endereço público não mande você a um interno;
  • defina um tempo limite e um tamanho máximo de resposta no HttpClient.

Leia Gerar com HTML direto, Validar um documento e Erros e limites.

← Todos os posts