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:
Pjandro
2026-10-05 21:48:23 +00:00
parent 3ebb4780dd
commit 0c10bae3cf
8 changed files with 116 additions and 26 deletions
+9 -3
View File
@@ -28,15 +28,21 @@
- 28 TTF в `wordpdf-core/src/main/resources/fonts/` — бинарные фикстуры, часть jar; не удалять/переименовывать без обновления маппинга. - 28 TTF в `wordpdf-core/src/main/resources/fonts/` — бинарные фикстуры, часть jar; не удалять/переименовывать без обновления маппинга.
- Алиасы MS→open-source: Calibri→Carlito, Cambria→Caladea, Arial→Arimo, Times New Roman→Tinos, Courier New→Cousine; fallback — DejaVu Sans. - Алиасы MS→open-source: Calibri→Carlito, Cambria→Caladea, Arial→Arimo, Times New Roman→Tinos, Courier New→Cousine; fallback — DejaVu Sans.
- `slf4j-simple` обязателен: без него docx4j печатает предупреждение прямо в выходной PDF (регрессионный тест `noLoggingWarningInPdf`). - `slf4j-simple` обязателен: без него docx4j печатает предупреждение прямо в выходной PDF (регрессионный тест `noLoggingWarningInPdf`).
- Символы U+2000–U+2EFF (em-dash, кавычки, многоточие) рендерятся DejaVu Sans, а не шрифтом ранa — по дизайну; виртуальный «Segoe UI Symbol» мапится на fallback. - Символы U+2000–U+2EFF (em-dash, кавычки, многоточие): `RunFontSelector.symbolBlockFont` оставляет шрифт ранa, если в нём есть этот глиф, и только иначе подставляет виртуальный «Segoe UI Symbol» (маппится на fallback DejaVu Sans, см. `BundledFontMapper`). Так же делает Word: в `references/word.pdf` em-dash нарисован Calibri/Times, DejaVu там нет вообще. Регрессия — `ruPlain_emDashEmbeddedNotHelvetica` (проверяет, что глиф рисует **вшитый** шрифт, а не базовый Helvetica).
## Архитектура (неочевидное) ## Архитектура (неочевидное)
- Пайплайн: байты docx → `DocxOnOffNormalizer` → `SymbolFontNormalizer` → `FieldNormalizer` → docx4j → XSL-FO (XSLT) → FOP → PDF. - Пайплайн: байты docx → `DocxOnOffNormalizer` → `SymbolFontNormalizer` → `FieldNormalizer` → docx4j → XSL-FO (XSLT) → FOP → PDF.
- Поля страниц: Word пишет `PAGE`/`NUMPAGES` сложным полем (`fldChar begin` → `instrText` → `separate` → кэш → `end`). Экспорт docx4j в FO `w:instrText` внутри такого поля игнорирует и печатает кэш docx — во всех колонтитулах одно число (в эталоне «2» вместо 1, 2, 3 …). `FieldNormalizer` разворачивает поле в `w:fldSimple` (его обрабатывает `FldSimpleWriter` из docx4j-export-fo: PAGE → `fo:page-number`, есть также NUMPAGES/SECTIONPAGES/PAGEREF), сохраняя внутри закэшированные ран — они дают шрифт/размер. Штатный `FieldsCombiner` docx4j делает то же, но не заходит внутрь `w:sdt`, а Word держит нумерацию именно в контентном контроле («Page Numbers (Top of Page)»). Трогаются только инструкции, для которых есть обработчик; вложенные поля пропускаются. Регрессия — `WordPdfConverterTest#pageNumbers_recomputedNotCached`, фикстура `samples/page-numbers.docx`. - Поля страниц: Word пишет `PAGE`/`NUMPAGES` сложным полем (`fldChar begin` → `instrText` → `separate` → кэш → `end`). Экспорт docx4j в FO `w:instrText` внутри такого поля игнорирует и печатает кэш docx — во всех колонтитулах одно число (в эталоне «2» вместо 1, 2, 3 …). `FieldNormalizer` разворачивает поле в `w:fldSimple` (его обрабатывает `FldSimpleWriter` из docx4j-export-fo: PAGE → `fo:page-number`, есть также NUMPAGES/SECTIONPAGES/PAGEREF), сохраняя внутри закэшированные ран — они дают шрифт/размер. Штатный `FieldsCombiner` docx4j делает то же, но не заходит внутрь `w:sdt`, а Word держит нумерацию именно в контентном контроле («Page Numbers (Top of Page)»). Трогаются только инструкции, для которых есть обработчик; вложенные поля пропускаются. Регрессия — `WordPdfConverterTest#pageNumbers_recomputedNotCached`, фикстура `samples/page-numbers.docx`.
- Символьные шрифты: Word хранит маркеры списков и спецсимволы кодами из PUA (U+F0xx), глиф выбирается по имени шрифта (`Symbol`, `Wingdings`, `Webdings`). Экспорт docx4j в FO этих шрифтов не знает: код уходит в fallback, глифа нет, FOP рисует `.notdef` — в PDF решётка «#». `SymbolFontNormalizer` (шаг 1.6, тоже правит байты до JAXB) меняет код на Unicode, а имя шрифта — на `DejaVu Sans`. Таблица кодов — `SymbolMapper` из docx4j 17.x, отфильтрована по наличию глифа в DejaVu; константы сгенерированы, менять руками нельзя. Обрабатываются `w:lvl` (numbering.xml), `w:r` и `w:sym`; ран с `w:sym` разрезается, т.к. у символа собственный `w:font`. Регрессия — `WordPdfConverterTest#symbolFonts_bulletsAreNotHash`, фикстура `samples/symbol-bullets.docx`. - Символьные шрифты: Word хранит маркеры списков и спецсимволы кодами из PUA (U+F0xx), глиф выбирается по имени шрифта (`Symbol`, `Wingdings`, `Webdings`). Экспорт docx4j в FO этих шрифтов не знает: код уходит в fallback, глифа нет, FOP рисует `.notdef` — в PDF решётка «#». `SymbolFontNormalizer` (шаг 1.6, тоже правит байты до JAXB) меняет код на Unicode, а имя шрифта — на `DejaVu Sans`. Таблица кодов — `SymbolMapper` из docx4j 17.x, отфильтрована по наличию глифа в DejaVu; константы сгенерированы, менять руками нельзя. Обрабатываются `w:lvl` (numbering.xml), `w:r` и `w:sym`; ран с `w:sym` разрезается, т.к. у символа собственный `w:font`. Регрессия — `WordPdfConverterTest#symbolFonts_bulletsAreNotHash`, фикстура `samples/symbol-bullets.docx`.
- Порядок инициализации в `WordPdfConverter.convertToStream` важен: сначала `new BundledFontMapper()`, потом `BundledFonts.init()` (бандл-шрифты регистрируются поверх системных), затем `BundledFonts.restrictToBundled()` (чистит реестр `PhysicalFonts` от системных шрифтов до `load()`; конструктор маппера каждый раз заново добавляет их, и `GlyphCheck` на Windows находит системный Calibri — em-dash остаётся на Carlito, красный `ruPlain_emDashEmbeddedNotHelvetica`). Не менять местами. - Порядок инициализации в `WordPdfConverter.convertToStream` важен: сначала `new BundledFontMapper()`, потом `BundledFonts.init()`, затем `BundledFonts.restrictToBundled()` (чистит реестр `PhysicalFonts` от системных шрифтов до `load()`; конструктор маппера каждый раз заново добавляет их). Не менять местами.
- docx4j 11.x теряет атрибуты `w:val="off"/"on"` при JAXB-разборе — поэтому нужна нормализация байтов до загрузки (регрессионный тест `ruPlain_regularRunsUseRegularFont`). - docx4j 17.x по-прежнему теряет атрибуты `w:val="off"/"on"` при JAXB-разборе — нормализация байтов до загрузки (`DocxOnOffNormalizer`) нужна и на 17.x (проверялось отключением: красный `ruPlain_regularRunsUseRegularFont`).
- Ключ реестра `PhysicalFonts` — имя шрифта, и `addPhysicalFont(URI)` **не перезаписывает** занятый ключ. Системный `DejaVuSerif.ttf` занимает «dejavu serif», и наш `DejaVuSerif-Regular.ttf` (то же имя) не добавился бы — `BundledFonts.init()` перед регистрацией вызывает `dropNonBundled()`.
- **`docx4j.convert.out.fo.gsubFeatures=false`** ставится в статическом блоке `WordPdfConverter` — критично. Иначе docx4j навешивает на `fo:inline` атрибут `fox:gsub-features`, не объявляя префикс `fox`; FO становится некорректным XML, `WordLayoutFixups` не может его разобрать, молча отказывается от всех фикс и оставляет хинты `docx4j-baseline`, которые FOP отвергает (`Invalid property encountered on "fo:block": docx4j-baseline`). Без фиксов нет ни колонок, ни колонок таблиц.
- `WordLayoutFixups` (включён по умолчанию в 17.x) — постобработка DOM XSL-FO: `columnBreaks` (реально работают `w:cols/@w:num`, 2 колонки на стр. 9–11 эталона), `disregardBaselineShifts`, `lineBoxAttributes`, `stripHints` и др. Побочный эффект: авто-ширины колонок таблиц без `tblGrid`/`tcW` стали уже (слово может перенестись внутри ячейки) — в `tableImage_tableAndImage` сравнение нормализовано по пробелам.
- Формулы OMML (`m:oMath`) рисует `jeuclid-fop`, который в 17.x пришёл вместе с `docx4j-export-fo` — отдельного кода не требуется (в 11.5.3 формула молча исчезала).
- **`ServicesResourceTransformer` в maven-shade (`wordpdf-cli`) обязателен**: `META-INF/services/org.apache.fop.fo.ElementMapping` лежит и в `docx4j-fo-renderer-core`, и в `docx4j-export-fo`; без слияния второй перезаписывает первый, FOP не узнаёт namespace `fo:` и падает на `UnknownXMLObj cannot be cast to Root`. В fat-jar это не видно из тестов — тесты идут по classpath, проверять `java -jar`.
- FOP в 17.x — форк `org.docx4j:docx4j-fo-renderer*` (пакеты `org.apache.fop.*`), он знает хинты `docx4j:baseline`/`docx4j:line-box` через `WordLayoutElementMapping`. `Fop.Renderers.getRenderer()` теперь возвращает **список** `w:renderer` (по mime) — `FopFallbackFonts.rendererFonts` ищет `application/pdf`.
- Диаграммы: `docx2fo.xslt` умеет только `a:graphicData/pic:pic`, для `c:chart` и `dgm:relIds` там `notImplemented` (объект молча исчезает). Поэтому `DrawingPreRenderer.run(pkg)` (шаг 3.5 в `convertToStream`, после `setFontMapper` и до `FOSettings`) рендерит их своим Java2D-движком в PNG 300 dpi (`internal/chart/*`) и подменяет на `pic:pic`. Тест `chartsSmartArt_drawingsBecomeImages`, фикстура `samples/charts-smartart.docx`. - Диаграммы: `docx2fo.xslt` умеет только `a:graphicData/pic:pic`, для `c:chart` и `dgm:relIds` там `notImplemented` (объект молча исчезает). Поэтому `DrawingPreRenderer.run(pkg)` (шаг 3.5 в `convertToStream`, после `setFontMapper` и до `FOSettings`) рендерит их своим Java2D-движком в PNG 300 dpi (`internal/chart/*`) и подменяет на `pic:pic`. Тест `chartsSmartArt_drawingsBecomeImages`, фикстура `samples/charts-smartart.docx`.
- В `DrawingPreRenderer` нужны собственные rels части — `part.getRelationshipsPart()` (`Base`), а **не** `getOwningRelationshipPart()`: у `document.xml` последнее указывает на пакетный `.rels`. Обход `pkg.getParts()` — только по снимку списка: `createImagePart` докидывает части в тот же реестр. - В `DrawingPreRenderer` нужны собственные rels части — `part.getRelationshipsPart()` (`Base`), а **не** `getOwningRelationshipPart()`: у `document.xml` последнее указывает на пакетный `.rels`. Обход `pkg.getParts()` — только по снимку списка: `createImagePart` докидывает части в тот же реестр.
- SmartArt рисуется из `word/diagrams/drawing1.xml` (кэш разложенной Word-ом схемы: абсолютные позиции + `prstGeom`); текст-заполнители (`[Текст]`) лежат в `data1.xml` на `dgm:pt type="node"`, а формы ссылаются на `dgm:pt type="pres"` — связь через `dgm:cxn type="presOf"`. - SmartArt рисуется из `word/diagrams/drawing1.xml` (кэш разложенной Word-ом схемы: абсолютные позиции + `prstGeom`); текст-заполнители (`[Текст]`) лежат в `data1.xml` на `dgm:pt type="node"`, а формы ссылаются на `dgm:pt type="pres"` — связь через `dgm:cxn type="presOf"`.
+13 -9
View File
@@ -98,24 +98,28 @@ WordPdfConverter.convert(Path.of("doc.docx"), Path.of("out.pdf")); // явный
## Как это работает ## Как это работает
``` ```
docx ──> (нормализация w:val on/off) ──> docx4j (WordprocessingMLPackage) docx ──> нормализация байтов ──> docx4j (WordprocessingMLPackage)
──> XSL-FO (XSLT) ──> Apache FOP ──> PDF (embedded-шрифты) ──> XSL-FO (XSLT) ──> Apache FOP ──> PDF (embedded-шрифты)
``` ```
1. Байты `.docx` нормализуются (`DocxOnOffNormalizer`): docx4j 11.x теряет 1. Байты `.docx` нормализуются, пока docx4j не увидел документ:
атрибуты `w:val="off"/"on"` при JAXB-разборе, из-за чего regular-раны `DocxOnOffNormalizer` (docx4j теряет `w:val="off"/"on"` при JAXB-разборе,
могли рендериться жирным курсивом. 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 2. Документ загружается в `WordprocessingMLPackage`, привязывается
`BundledFontMapper`. `BundledFontMapper`, диаграммы и SmartArt предварительно растеризуются
3. Экспорт в XSL-FO (XSLT-проход), затем `Apache FOP` рендерит PDF, встраивая в PNG (`DrawingPreRenderer`).
используемые подмножества шрифтов. 3. Экспорт в XSL-FO (XSLT-проход + `WordLayoutFixups`), затем `Apache FOP`
рендерит PDF, встраивая используемые подмножества шрифтов.
## Ограничения ## Ограничения
- Это **не** pixel-perfect рендер Word: раскладка, поля и некоторые эффекты - Это **не** pixel-perfect рендер Word: раскладка, поля и некоторые эффекты
приближённые (ограничения FOP/docx4j, а не «мы что-то упустили»). приближённые (ограничения FOP/docx4j, а не «мы что-то упустили»).
- Символы U+2000–U+2EFF (em-dash и т.п.) рендерятся fallback-шрифтом DejaVu, - Символы U+2000–U+2EFF (em-dash и т.п.) берутся из шрифта ранa, если в нём
а не шрифтом самого ранa. есть глиф, иначе — из fallback-семейства DejaVu.
- Поддержка таблиц/изображений — базовая (через docx4j/FOP). - Поддержка таблиц/изображений — базовая (через docx4j/FOP).
## Тесты ## Тесты
+2 -2
View File
@@ -22,8 +22,8 @@
<maven.compiler.target>17</maven.compiler.target> <maven.compiler.target>17</maven.compiler.target>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<!-- docx4j: последняя линейка, доступная на Maven Central --> <!-- docx4j: последняя стабильная версия на Maven Central -->
<docx4j.version>11.5.3</docx4j.version> <docx4j.version>17.3.0</docx4j.version>
<slf4j.version>2.0.17</slf4j.version> <slf4j.version>2.0.17</slf4j.version>
<!-- Тесты --> <!-- Тесты -->
+6
View File
@@ -56,6 +56,12 @@
<transformer implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer"> <transformer implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
<mainClass>ru.pjandro.wordpdf.cli.WordPdfCli</mainClass> <mainClass>ru.pjandro.wordpdf.cli.WordPdfCli</mainClass>
</transformer> </transformer>
<!-- FOP регистрирует ElementMapping/Renderer через
META-INF/services, и один и тот же файл лежит в
docx4j-fo-renderer-core и docx4j-export-fo:
без слияния второй перезаписывает первый и
FOP не узнаёт namespace fo: ("UnknownXMLObj"). -->
<transformer implementation="org.apache.maven.plugins.shade.resource.ServicesResourceTransformer"/>
</transformers> </transformers>
<!-- Подписанные jar-файлы ломает shade --> <!-- Подписанные jar-файлы ломает shade -->
<filters> <filters>
@@ -4,6 +4,7 @@ import org.apache.fop.apps.FOUserAgent;
import org.apache.fop.apps.FopFactory; import org.apache.fop.apps.FopFactory;
import org.apache.fop.apps.FopFactoryBuilder; import org.apache.fop.apps.FopFactoryBuilder;
import org.docx4j.Docx4J; import org.docx4j.Docx4J;
import org.docx4j.Docx4jProperties;
import org.docx4j.convert.out.FOSettings; import org.docx4j.convert.out.FOSettings;
import org.docx4j.convert.out.fo.renderers.FORendererApacheFOP; import org.docx4j.convert.out.fo.renderers.FORendererApacheFOP;
import org.docx4j.openpackaging.packages.WordprocessingMLPackage; import org.docx4j.openpackaging.packages.WordprocessingMLPackage;
@@ -36,6 +37,16 @@ import java.util.Locale;
*/ */
public final class WordPdfConverter { 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() { private WordPdfConverter() {
} }
@@ -126,6 +126,10 @@ public final class BundledFonts {
} catch (IOException e) { } catch (IOException e) {
throw new IllegalStateException("Не удалось создать временный каталог для шрифтов", 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) { for (Entry entry : ENTRIES) {
// 1. Выгружаем файл из jar // 1. Выгружаем файл из jar
@@ -178,6 +182,11 @@ public final class BundledFonts {
if (!inited) { if (!inited) {
return; return;
} }
dropNonBundled();
}
/** Удаляет из реестра всё, что не было выгружено из jar в {@link #extractDir}. */
private static void dropNonBundled() {
String bundlePrefix = extractDir.toUri().toString(); String bundlePrefix = extractDir.toUri().toString();
java.util.Iterator<Map.Entry<String, PhysicalFont>> it = java.util.Iterator<Map.Entry<String, PhysicalFont>> it =
PhysicalFonts.getPhysicalFonts().entrySet().iterator(); PhysicalFonts.getPhysicalFonts().entrySet().iterator();
@@ -33,10 +33,7 @@ public final class FopFallbackFonts {
* и до передачи настроек в {@code FORendererApacheFOP}. * и до передачи настроек в {@code FORendererApacheFOP}.
*/ */
public static void declare(FOSettings foSettings) { public static void declare(FOSettings foSettings) {
Fonts rendererFonts = foSettings.getFopConfig() Fonts rendererFonts = rendererFonts(foSettings);
.getRenderers()
.getRenderer()
.getFonts();
if (rendererFonts == null) { if (rendererFonts == null) {
return; return;
} }
@@ -67,6 +64,31 @@ public final class FopFallbackFonts {
BundledFonts.boldItalic(BundledFonts.FALLBACK_FAMILY), "italic", "bold"); 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, private static void addFont(Fonts rendererFonts, ObjectFactory factory,
String familyName, PhysicalFont pf, String familyName, PhysicalFont pf,
String style, String weight) { 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. */ /** Конвертирует docx в временный PDF и возвращает его путь. */
private static Path convert(Path docx) throws IOException { private static Path convert(Path docx) throws IOException {
Path out = Files.createTempFile("converted-", ".pdf"); Path out = Files.createTempFile("converted-", ".pdf");
@@ -206,12 +229,16 @@ class WordPdfConverterTest {
// Текст извлекается (глиф на месте) // Текст извлекается (глиф на месте)
assertTrue(norm(pdfText(pdf)).contains("—"), "em-dash не извлёкся"); assertTrue(norm(pdfText(pdf)).contains("—"), "em-dash не извлёкся");
Set<String> fonts = embeddedFontNames(pdf); // Em-dash рисуется вшитым в PDF шрифтом, а не базовым неembedded
// Em-dash в fallback-семействе (DejaVu), а не в системном Helvetica // Helvetica. Какой именно это шрифт — решает docx4j: если в шрифте
assertTrue(fonts.stream().anyMatch(n -> n.contains("DejaVu")), // ранa есть глиф U+2014, остаётся он (так же делает Word: в
"fallback-подмножество (DejaVu) не встроено: " + fonts); // references/word.pdf em-dash нарисовано Calibri/Times, DejaVu там
assertFalse(fonts.stream().anyMatch(n -> n.startsWith("Helvetica")), // нет вообще), иначе — fallback-семейство.
"em-dash упал на системный неembedded-шрифт: " + fonts); 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 @Test
@@ -248,8 +275,13 @@ class WordPdfConverterTest {
Path in = extractSample("ru-table-image.docx"); Path in = extractSample("ru-table-image.docx");
String text = norm(pdfText(convert(in))); String text = norm(pdfText(convert(in)));
assertTrue(text.contains("Значение"), "нет текста таблицы: " + text); // Таблица без tblGrid/tcW (auto-fit): docx4j 17.x считает ширины
assertTrue(text.contains("Русский"), "нет «Русский»: " + text); // 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 // Изображение: ищем XObject'ы-изображения среди ресурсов страниц
Path pdf = convert(in); Path pdf = convert(in);