docx4j 11.5.3 -> 17.3.0: формулы OMML, колонки и постобработка XSL-FO
17.x приносит WordLayoutFixups (постобработка DOM XSL-FO: columnBreaks, lineBoxAttributes, stripHints и др.) и jeuclid-fop, поэтому начинают работать две вещи, которых не было: формулы m:oMath (на стр. 4 эталона формула молча исчезала) и w:cols/@w:num (две колонки на стр. 9-11). Сходимость текста references/word.docx с экспортом Word 0,848 -> 0,981, средний постраничный пиксельный diff 10,5% -> 7,4%. Что пришлось починить по пути: * docx4j навешивает на fo:inline fox:gsub-features, не объявляя префикс fox. FO становится некорректным XML, WordLayoutFixups не парсит его и молча отказывается от всех фикс, а оставленный хинт docx4j-baseline отвергает уже FOP. Отключаем генерацию через docx4j.convert.out.fo.gsubFeatures=false. * FOP теперь форк org.docx4j:docx4j-fo-renderer*, и его META-INF/services/org.apache.fop.fo.ElementMapping лежит ещё и в docx4j-export-fo: в fat-jar без ServicesResourceTransformer второй файл перезаписывает первый, FOP не узнаёт namespace fo: и падает на UnknownXMLObj. Тесты этого не видят — они идут по classpath. * addPhysicalFont не перезаписывает занятый ключ реестра: системный DejaVuSerif.ttf занимает «dejavu serif» и наш DejaVuSerif-Regular.ttf не регистрировался. BundledFonts.init() чистит реестр до регистрации. * Fop.Renderers.getRenderer() теперь список w:renderer по mime — FopFallbackFonts ищет application/pdf. Em-dash (U+2000-U+2EFF) остался на шрифте ранa, если в нём есть глиф — так же делает Word (в references/word.pdf em-dash нарисован Calibri/Times, DejaVu нет вообще), поэтому тест проверяет «вшитый шрифт, не Helvetica», а не конкретное семейство.
This commit is contained in:
@@ -98,24 +98,28 @@ WordPdfConverter.convert(Path.of("doc.docx"), Path.of("out.pdf")); // явный
|
||||
## Как это работает
|
||||
|
||||
```
|
||||
docx ──> (нормализация w:val on/off) ──> docx4j (WordprocessingMLPackage)
|
||||
docx ──> нормализация байтов ──> docx4j (WordprocessingMLPackage)
|
||||
──> XSL-FO (XSLT) ──> Apache FOP ──> PDF (embedded-шрифты)
|
||||
```
|
||||
|
||||
1. Байты `.docx` нормализуются (`DocxOnOffNormalizer`): docx4j 11.x теряет
|
||||
атрибуты `w:val="off"/"on"` при JAXB-разборе, из-за чего regular-раны
|
||||
могли рендериться жирным курсивом.
|
||||
1. Байты `.docx` нормализуются, пока docx4j не увидел документ:
|
||||
`DocxOnOffNormalizer` (docx4j теряет `w:val="off"/"on"` при JAXB-разборе,
|
||||
из-за чего regular-раны могли рендериться жирным курсивом),
|
||||
`SymbolFontNormalizer` (маркеры из Symbol/Wingdings вместо «#») и
|
||||
`FieldNormalizer` (поля `PAGE`/`NUMPAGES` пересчитываются, а не печатают
|
||||
кэш из docx).
|
||||
2. Документ загружается в `WordprocessingMLPackage`, привязывается
|
||||
`BundledFontMapper`.
|
||||
3. Экспорт в XSL-FO (XSLT-проход), затем `Apache FOP` рендерит PDF, встраивая
|
||||
используемые подмножества шрифтов.
|
||||
`BundledFontMapper`, диаграммы и SmartArt предварительно растеризуются
|
||||
в PNG (`DrawingPreRenderer`).
|
||||
3. Экспорт в XSL-FO (XSLT-проход + `WordLayoutFixups`), затем `Apache FOP`
|
||||
рендерит PDF, встраивая используемые подмножества шрифтов.
|
||||
|
||||
## Ограничения
|
||||
|
||||
- Это **не** pixel-perfect рендер Word: раскладка, поля и некоторые эффекты
|
||||
приближённые (ограничения FOP/docx4j, а не «мы что-то упустили»).
|
||||
- Символы U+2000–U+2EFF (em-dash и т.п.) рендерятся fallback-шрифтом DejaVu,
|
||||
а не шрифтом самого ранa.
|
||||
- Символы U+2000–U+2EFF (em-dash и т.п.) берутся из шрифта ранa, если в нём
|
||||
есть глиф, иначе — из fallback-семейства DejaVu.
|
||||
- Поддержка таблиц/изображений — базовая (через docx4j/FOP).
|
||||
|
||||
## Тесты
|
||||
|
||||
Reference in New Issue
Block a user