wkhtmltopdf-binary 项目技术文档
1. 安装指南
1.1 在 Gemfile 中安装
在项目的 Gemfile 中添加以下内容:
gem 'wkhtmltopdf-binary'
然后运行 bundle install 命令来安装 gem。
1.2 权限设置
在某些环境中,运行 wkhtmltopdf-binary 可能会出现权限错误。这是因为该 gem 包含了多个平台的压缩二进制文件,并在首次使用时解压缩到指定目录。如果 Ruby gem 的二进制文件安装在以下目录:
/usr/lib/ruby/versions/2.6/bin/
那么 wkhtmltopdf-binary 的二进制文件将被安装在:
/usr/lib/ruby/versions/2.6/lib/ruby/gems/2.6.0/gems/wkhtmltopdf-binary-0.12.5.1/bin/
为了解决权限问题,需要为运行程序的用户(例如 Web 服务器或后台任务处理器)授予写权限。例如,在开发环境中,可以为个人用户授予写权限:
chmod -R 777 /usr/lib/ruby/versions/2.6/lib/ruby/gems/2.6.0/gems/wkhtmltopdf-binary-0.12.5.1/bin/
解压缩后,如果需要,可以撤销写权限。
2. 项目的使用说明
2.1 基本使用
在大多数环境中,安装 wkhtmltopdf-binary 后,您可以直接使用 wkhtmltopdf 命令生成 PDF 文件。该 gem 会自动检测系统环境并选择合适的二进制文件。
2.2 自定义二进制文件
如果您需要使用特定版本的 wkhtmltopdf 二进制文件,可以通过以下步骤手动提取和压缩二进制文件:
2.2.1 提取二进制文件
根据您的操作系统,使用以下命令提取二进制文件:
-
Debian/Ubuntu:
dpkg -x wkhtmltox_0.12.5-1.trusty_amd64.deb . -
CentOS:
rpm2cpio wkhtmltox-0.12.5-1.centos7.x86_64.rpm | cpio -idmv -
Archlinux/Manjaro:
tar -xf wkhtmltox-0.12.6-1.archlinux.x86_64.tar.xz -
macOS:
xar -xf wkhtmltox-0.12.5-1.macos-cocoa.pkg cat Payload | gunzip -dc | cpio -i
2.2.2 压缩二进制文件
提取二进制文件后,使用 gzip --best 命令进行压缩:
-
Debian/Ubuntu:
gzip --best -c usr/local/bin/wkhtmltopdf > wkhtmltopdf_ubuntu_22.04.amd64.gz
3. 项目API使用文档
wkhtmltopdf-binary 主要通过命令行工具 wkhtmltopdf 来生成 PDF 文件。以下是一些常用的命令行参数:
-
生成 PDF 文件:
wkhtmltopdf input.html output.pdf -
设置页面大小:
wkhtmltopdf --page-size A4 input.html output.pdf -
设置页边距:
wkhtmltopdf --margin-top 10 --margin-bottom 10 --margin-left 10 --margin-right 10 input.html output.pdf -
使用 JavaScript 延迟:
wkhtmltopdf --javascript-delay 200 input.html output.pdf
4. 项目安装方式
4.1 通过 Gemfile 安装
如前所述,在 Gemfile 中添加 gem 'wkhtmltopdf-binary',然后运行 bundle install 进行安装。
4.2 手动安装
如果您需要手动安装 wkhtmltopdf-binary,可以按照以下步骤操作:
-
克隆项目仓库:
git clone https://github.com/zakird/wkhtmltopdf_binary_gem -
进入项目目录:
cd wkhtmltopdf_binary_gem/ -
安装依赖:
bundle install -
运行测试:
bundle exec rake
通过以上步骤,您可以手动安装并测试 wkhtmltopdf-binary 项目。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00