# Как конвертировать CHM в один PDF на Linux: без мусора и битых ссылок Если у тебя есть `bsm_api.chm` и нужно получить **один нормальный PDF**, а не «папку из 900 HTML + слёзы», вот рабочий пайплайн: **CHM → HTML → (сборка) → PDF**. В конце будет: - один `manual.pdf` - без битых внутренних ссылок (насколько позволяет исходник) - с нормальной навигацией/оглавлением (если CHM адекватный) --- ## В чём проблема CHM — это не “один файл с текстом”, а контейнер: HTML + картинки + оглавление + внутренние ссылки. Типовые боли: - конвертеры делают **1000 страниц** вместо одного PDF - ломают ссылки и кодировки - получаешь PDF, который выглядит как скриншоты из 2007 --- ## Рабочее решение ### 1) Установка инструментов **Ubuntu/Debian:** ```bash sudo apt update sudo apt install -y \ extractchm \ wkhtmltopdf \ python3 \ python3-bs4 \ python3-lxml ``` Если `extractchm` нет (редко, но бывает), ставим из `chmlib`: ```bash sudo apt install -y chmlib-tools # потом будет утилита extract_chmLib ``` Проверка: ```bash extractchm -h || true wkhtmltopdf --version ``` --- ### 2) Распаковать CHM в HTML Создай рабочую папку: ```bash mkdir -p ~/work/chm2pdf/{src,html,out} cp bsm_api.chm ~/work/chm2pdf/src/ cd ~/work/chm2pdf ``` Распаковка: **Вариант A (extractchm):** ```bash extractchm -o html src/bsm_api.chm ``` **Вариант B (extract_chmLib):** ```bash extract_chmLib src/bsm_api.chm html ``` Проверка что распаковалось: ```bash ls -la html | head find html -maxdepth 2 -type f | head ``` --- ### 3) Найти “точку входа” (главную страницу) Обычно это `index.html`, `default.html`, `start.html` или что-то из оглавления. Быстрый поиск кандидатов: ```bash ls html | grep -iE 'index|default|start|main' || true ``` Если не очевидно — ищем самый “толстый” HTML: ```bash find html -type f -iname '*.html' -printf '%s\t%p\n' | sort -n | tail -20 ``` --- ### 4) Собрать единый HTML (важный шаг) `wkhtmltopdf` лучше работает, когда ты отдаёшь ему **одну HTML-страницу**, а не тысячу. Сделаем “склейку”: берём список страниц и собираем в `out/merged.html`. Вот минимальный Python-скрипт, который: * читает оглавление (если найдём файл типа `.hhc`/`toc`) * если оглавления нет — склеивает HTML по алфавиту (хуже, но работает) * вырезает мусорные `script`/`iframe` * приводит относительные ссылки к локальным путям Создай файл `tools/merge.py`: ```python #!/usr/bin/env python3 import os import re from pathlib import Path from bs4 import BeautifulSoup ROOT = Path("html").resolve() OUT = Path("out") OUT.mkdir(parents=True, exist_ok=True) def list_html_files(): # 1) Если есть оглавление — можно допилить парсер под конкретный CHM # 2) Универсальный fallback — склеим HTML по имени files = sorted(ROOT.rglob("*.html")) # выкинем дубли/служебное files = [p for p in files if p.is_file() and p.stat().st_size > 200] return files def clean_body(html_path: Path) -> str: data = html_path.read_bytes() # грубая попытка с кодировкой for enc in ("utf-8", "cp1251", "windows-1251", "latin-1"): try: text = data.decode(enc) break except UnicodeDecodeError: continue else: text = data.decode("utf-8", "ignore") soup = BeautifulSoup(text, "lxml") # выкидываем потенциальный мусор for tag in soup(["script", "iframe", "noscript"]): tag.decompose() body = soup.body or soup # нормализуем якоря и локальные ресурсы for a in body.find_all("a", href=True): href = a["href"].strip() # убираем внешние и mailto if href.startswith(("http://", "https://", "mailto:")): continue # normalize windows slashes a["href"] = href.replace("\\", "/") # добавим заголовок-разделитель title = soup.title.get_text(strip=True) if soup.title else html_path.name header = f"

{title}

\n" return header + str(body) def main(): parts = [] for p in list_html_files(): try: parts.append(clean_body(p)) except Exception as e: print(f"skip {p}: {e}") merged = f""" CHM merged {''.join(parts)} """ (OUT / "merged.html").write_text(merged, encoding="utf-8") print("OK -> out/merged.html") if __name__ == "__main__": main() ``` Запуск: ```bash mkdir -p tools out python3 tools/merge.py ls -la out/merged.html ``` --- ### 5) Конвертировать merged.html → PDF ```bash wkhtmltopdf \ --enable-local-file-access \ --encoding utf-8 \ --page-size A4 \ --margin-top 12 --margin-bottom 12 --margin-left 10 --margin-right 10 \ out/merged.html out/manual.pdf ``` Проверка результата: ```bash ls -lah out/manual.pdf file out/manual.pdf ``` --- ## Проверка результата Минимум: 1. PDF открывается, вес адекватный (не 2 KB и не 2 GB) 2. есть текст (не “картинки страниц”) 3. код/таблицы читаются Быстрый sanity-check: извлечь пару строк текста: ```bash python3 - <<'PY' import subprocess, sys p = subprocess.run(["pdftotext", "out/manual.pdf", "-"], capture_output=True, text=True) print(p.stdout[:800]) PY ``` Если `pdftotext` нет: ```bash sudo apt install -y poppler-utils ``` --- ## Типичные ошибки ### ❌ 1) “Blocked access to file” / не видит картинки **Причина:** wkhtmltopdf по умолчанию режет локальные ресурсы. **Решение:** добавь `--enable-local-file-access` (в примере уже есть). --- ### ❌ 2) Кракозябры вместо русского **Причина:** HTML в CP1251, а ты склеил как UTF-8. **Решение:** * в `merge.py` мы пробуем `cp1251/windows-1251` * если всё равно плохо — найди реальную кодировку исходников: ```bash file -i html/*.html | head ``` --- ### ❌ 3) “Оглавление” нет, порядок глав сломан **Причина:** CHM хранит структуру в `.hhc`/`.hhk`, а мы склеили “по алфавиту”. **Решение:** дописать парсер оглавления под конкретный CHM (реально 20–40 строк, если структура нормальная). Если хочешь — кидай список файлов из `html/` (без содержимого), я подскажу точечно. --- ## Где применять * **Локально:** быстро получить PDF, отдать в LLM/коллегам/заказчику. * **CI/CD:** автогенерация документации в PDF (если CHM как артефакт). * **VPS:** можно крутить без GUI, чисто консолью. --- ## Смотри также Если будешь ковыряться с файлами и поиском по дереву — пригодится: * [Поиск файлов в Linux: команды для Ubuntu/CentOS](/blog/linux-file-search-commands-ubuntu-centos-bitrix-laravel-wordpress) — диагностика и find * [find: поиск больших файлов](/snippets/find-large-files-disk-usage) — когда PDF внезапно 900MB * [rsync: безопасное копирование с прогрессом](/snippets/rsync-safe-progress) — перенос распакованного CHM или готового PDF