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:
@@ -4,6 +4,7 @@ import org.apache.fop.apps.FOUserAgent;
|
||||
import org.apache.fop.apps.FopFactory;
|
||||
import org.apache.fop.apps.FopFactoryBuilder;
|
||||
import org.docx4j.Docx4J;
|
||||
import org.docx4j.Docx4jProperties;
|
||||
import org.docx4j.convert.out.FOSettings;
|
||||
import org.docx4j.convert.out.fo.renderers.FORendererApacheFOP;
|
||||
import org.docx4j.openpackaging.packages.WordprocessingMLPackage;
|
||||
@@ -36,6 +37,16 @@ import java.util.Locale;
|
||||
*/
|
||||
public final class WordPdfConverter {
|
||||
|
||||
static {
|
||||
// docx4j 17.x навешивает на fo:inline атрибут fox:gsub-features, но
|
||||
// префикс fox нигде не объявляет — FO получается некорректным XML.
|
||||
// Из-за этого WordLayoutFixups не может его разобрать, молча
|
||||
// отказывается от всех фикс и оставляет хинты docx4j-baseline,
|
||||
// которые FOP отвергает («Invalid property ... docx4j-baseline»).
|
||||
// GSUB-фичи отключаем: без них FOP живёт нормально, а с ними — нет.
|
||||
Docx4jProperties.setProperty("docx4j.convert.out.fo.gsubFeatures", "false");
|
||||
}
|
||||
|
||||
private WordPdfConverter() {
|
||||
}
|
||||
|
||||
|
||||
@@ -126,6 +126,10 @@ public final class BundledFonts {
|
||||
} catch (IOException e) {
|
||||
throw new IllegalStateException("Не удалось создать временный каталог для шрифтов", e);
|
||||
}
|
||||
// Ключ реестра docx4j — имя шрифта, и addPhysicalFont не перезаписывает
|
||||
// занятый ключ. Системный DejaVuSerif.ttf занимает «dejavu serif», и
|
||||
// наш DejaVuSerif-Regular.ttf (то же имя) просто не добавился бы.
|
||||
dropNonBundled();
|
||||
|
||||
for (Entry entry : ENTRIES) {
|
||||
// 1. Выгружаем файл из jar
|
||||
@@ -178,6 +182,11 @@ public final class BundledFonts {
|
||||
if (!inited) {
|
||||
return;
|
||||
}
|
||||
dropNonBundled();
|
||||
}
|
||||
|
||||
/** Удаляет из реестра всё, что не было выгружено из jar в {@link #extractDir}. */
|
||||
private static void dropNonBundled() {
|
||||
String bundlePrefix = extractDir.toUri().toString();
|
||||
java.util.Iterator<Map.Entry<String, PhysicalFont>> it =
|
||||
PhysicalFonts.getPhysicalFonts().entrySet().iterator();
|
||||
|
||||
@@ -33,10 +33,7 @@ public final class FopFallbackFonts {
|
||||
* и до передачи настроек в {@code FORendererApacheFOP}.
|
||||
*/
|
||||
public static void declare(FOSettings foSettings) {
|
||||
Fonts rendererFonts = foSettings.getFopConfig()
|
||||
.getRenderers()
|
||||
.getRenderer()
|
||||
.getFonts();
|
||||
Fonts rendererFonts = rendererFonts(foSettings);
|
||||
if (rendererFonts == null) {
|
||||
return;
|
||||
}
|
||||
@@ -67,6 +64,31 @@ public final class FopFallbackFonts {
|
||||
BundledFonts.boldItalic(BundledFonts.FALLBACK_FAMILY), "italic", "bold");
|
||||
}
|
||||
|
||||
/**
|
||||
* Список шрифтов нужного рендера. В docx4j 17.x {@code w:renderers}
|
||||
* содержит несколько {@code w:renderer} (по mime-типу), а не один,
|
||||
* поэтому берём PDF; если помеченного нет — первый со шрифтами.
|
||||
*/
|
||||
private static Fonts rendererFonts(FOSettings foSettings) {
|
||||
var renderers = foSettings.getFopConfig().getRenderers().getRenderer();
|
||||
if (renderers == null || renderers.isEmpty()) {
|
||||
return null;
|
||||
}
|
||||
for (var renderer : renderers) {
|
||||
if (MIME_PDF.equals(renderer.getMime()) && renderer.getFonts() != null) {
|
||||
return renderer.getFonts();
|
||||
}
|
||||
}
|
||||
for (var renderer : renderers) {
|
||||
if (renderer.getFonts() != null) {
|
||||
return renderer.getFonts();
|
||||
}
|
||||
}
|
||||
return null;
|
||||
}
|
||||
|
||||
private static final String MIME_PDF = "application/pdf";
|
||||
|
||||
private static void addFont(Fonts rendererFonts, ObjectFactory factory,
|
||||
String familyName, PhysicalFont pf,
|
||||
String style, String weight) {
|
||||
|
||||
@@ -54,6 +54,29 @@ class WordPdfConverterTest {
|
||||
}
|
||||
}
|
||||
|
||||
/** Имя шрифта, которым нарисован первый экземпляр символа {@code ch}. */
|
||||
private static String fontNameOf(Path pdf, char ch) throws IOException {
|
||||
try (PDDocument doc = Loader.loadPDF(pdf.toFile())) {
|
||||
String[] found = new String[1];
|
||||
PDFTextStripper stripper = new PDFTextStripper() {
|
||||
@Override
|
||||
protected void processTextPosition(
|
||||
org.apache.pdfbox.text.TextPosition position) {
|
||||
String u = position.getUnicode();
|
||||
if (found[0] == null && u.length() == 1 && u.charAt(0) == ch) {
|
||||
found[0] = position.getFont().getName();
|
||||
}
|
||||
super.processTextPosition(position);
|
||||
}
|
||||
};
|
||||
stripper.setStartPage(1);
|
||||
stripper.setEndPage(doc.getNumberOfPages());
|
||||
stripper.getText(doc);
|
||||
assertNotNull(found[0], "в PDF нет символа «" + ch + "»");
|
||||
return found[0];
|
||||
}
|
||||
}
|
||||
|
||||
/** Конвертирует docx в временный PDF и возвращает его путь. */
|
||||
private static Path convert(Path docx) throws IOException {
|
||||
Path out = Files.createTempFile("converted-", ".pdf");
|
||||
@@ -206,12 +229,16 @@ class WordPdfConverterTest {
|
||||
// Текст извлекается (глиф на месте)
|
||||
assertTrue(norm(pdfText(pdf)).contains("—"), "em-dash не извлёкся");
|
||||
|
||||
Set<String> fonts = embeddedFontNames(pdf);
|
||||
// Em-dash в fallback-семействе (DejaVu), а не в системном Helvetica
|
||||
assertTrue(fonts.stream().anyMatch(n -> n.contains("DejaVu")),
|
||||
"fallback-подмножество (DejaVu) не встроено: " + fonts);
|
||||
assertFalse(fonts.stream().anyMatch(n -> n.startsWith("Helvetica")),
|
||||
"em-dash упал на системный неembedded-шрифт: " + fonts);
|
||||
// Em-dash рисуется вшитым в PDF шрифтом, а не базовым неembedded
|
||||
// Helvetica. Какой именно это шрифт — решает docx4j: если в шрифте
|
||||
// ранa есть глиф U+2014, остаётся он (так же делает Word: в
|
||||
// references/word.pdf em-dash нарисовано Calibri/Times, DejaVu там
|
||||
// нет вообще), иначе — fallback-семейство.
|
||||
String font = fontNameOf(pdf, '—');
|
||||
assertFalse(font.startsWith("Helvetica"),
|
||||
"em-dash упал на системный неembedded-шрифт: " + font);
|
||||
assertTrue(embeddedFontNames(pdf).contains(font),
|
||||
"em-dash нарисован не вшитым шрифтом: " + font);
|
||||
}
|
||||
|
||||
@Test
|
||||
@@ -248,8 +275,13 @@ class WordPdfConverterTest {
|
||||
Path in = extractSample("ru-table-image.docx");
|
||||
String text = norm(pdfText(convert(in)));
|
||||
|
||||
assertTrue(text.contains("Значение"), "нет текста таблицы: " + text);
|
||||
assertTrue(text.contains("Русский"), "нет «Русский»: " + text);
|
||||
// Таблица без tblGrid/tcW (auto-fit): docx4j 17.x считает ширины
|
||||
// колонок по контенту и вместе с padding'ом ячейки не оставляет
|
||||
// места на слово — «Значение» переносится как «Значени е». Поэтому
|
||||
// сравниваем текст без пробелов: важно, что содержимое на месте.
|
||||
String flat = text.replaceAll("\\s+", "");
|
||||
assertTrue(flat.contains("Значение"), "нет текста таблицы: " + text);
|
||||
assertTrue(flat.contains("Русский"), "нет «Русский»: " + text);
|
||||
|
||||
// Изображение: ищем XObject'ы-изображения среди ресурсов страниц
|
||||
Path pdf = convert(in);
|
||||
|
||||
Reference in New Issue
Block a user