diff --git a/AGENTS.md b/AGENTS.md index 738ec1e..b0a82f5 100644 --- a/AGENTS.md +++ b/AGENTS.md @@ -22,7 +22,7 @@ |---|---|---| | 0 | `DependencyGuard.check()` | API-проба `ZipArchiveInputStream.getNextEntry()` — совместимость commons-compress ≥ 1.25.0; иначе `ConversionException` с инструкцией вместо мутного `NoSuchMethodError` внутри docx4j | | 1 | `new BundledFontMapper()` → `BundledFonts.init()` → `restrictToBundled()` | Конструктор маппера добавляет системные шрифты в глобальный реестр `PhysicalFonts`; `init()` вызывает `dropNonBundled()` **до** регистрации бандла (`addPhysicalFont` не перезаписывает занятый ключ — иначе системный Calibri ломает em-dash-fallback) | -| 2 | цепочка нормализаторов → `WordprocessingMLPackage.load` | Байтовый конвейер strict→transitional (см. ниже) | +| 2 | `DocxRewritePipeline.STEP` → `OleObjectNormalizer` → `WordprocessingMLPackage.load` | Один zip-проход переписывания XML-частей (правила 1–6, см. ниже) + условная OLE-вычистка (правило 7) | | 2.5 | `WordPdfValidator.checkPageCount(normalizedBytes, maxPages)` | Lightweight-оценка страниц по zip, до рендера | | 3 | `pkg.setFontMapper(mapper)` | Привязка шрифтов документа к физическим TTF | | 3.5 | `DrawingPreRenderer.run(pkg, options)` | `c:chart`/`dgm:relIds` → PNG 300 dpi → `pic:pic` (docx2fo.xslt их не умеет) | @@ -35,7 +35,7 @@ ### Нормализаторы (`internal/DocxNormalizer`) -Контракт: `byte[] normalize(byte[]) throws IOException`; нечего менять → вернуть **тот же массив** (`assertSame` в тестах). Каждый выставляет константу `STEP` (`public static final DocxNormalizer`), порядок в `normalizers(options)` значим: +Контракт: `byte[] normalize(byte[]) throws IOException`; нечего менять → вернуть **тот же массив** (`assertSame` в тестах). Каждый выставляет константу `STEP` (`public static final DocxNormalizer`). Правила 1–6 применяет `internal/DocxRewritePipeline` — **один zip-проход**: к каждой записи `word/*.xml` рерайты цепляются в фиксированном порядке Strict→OnOff→Symbol→Field→Invisible→GlyphCoverage (каждое правило работает только содержимым одной части — по-частная цепочка эквивалентна последовательным полным проходам); неизменённые записи переносятся raw-копией сжатых байтов (без inflate/deflate); нигде не поменялось → тот же массив. `OleObjectNormalizer` — второй условный проход (меняет части, а не XML). Индивидуальные `normalize()` шести нормализаторов сохранены (контракт юнит-тестов), но `WordPdfConverter` их не вызывает — его `normalizers(options)` = `DocxRewritePipeline.STEP` + лямбда OLE. Порядок правил значим: 1. `StrictOoxmlNormalizer` — strict-OOXML → transitional: `a:`-проценты и `w14:fillToRect` → тысячные ×1000, текст `wp14:pctWidth`/`pctHeight`; элементы `w:start`/`w:end` → `w:left`/`w:right` (кроме `w:lvl/w:start` в numbering.xml); значения `w:val="start"/"end"` у `w:jc` (только strict) и `w:tab` (всегда). Strict-ность части определяется наличием `http://purl.oclc.org` (не «transitional-URI в документе» — mixed-документ трактуется по каждой части). **Guard сосуществования форм**: атрибут `w:start`/`w:end` не переименовывается, если в том же открывающем теге уже есть `w:left`/`w:right` (дубль атрибута ломает well-formedness — регрессии `indCoexistLeftStartUntouched`, `indCoexistForms_convertsNotRejected`); элементы `w:start`/`w:end` в strict-части переименовываются глобально, в transitional — только внутри `w:tcMar`/`w:tblCellMar` без одноимённого соседа (`maxOccurs=1` на left). Ничего не поменялось → `rewrite` вернул `null` → исходный массив (`StrictOoxmlNormalizerTest#transitionalCoexistReturnsOriginalArray`). 2. `DocxOnOffNormalizer` — `w:val="off"/"on"` → `"false"/"true"`; якорь по тегу, правится только атрибут `w:val`, текст между тегами не трогается. @@ -43,7 +43,7 @@ 4. `FieldNormalizer` — `fldChar` PAGE/NUMPAGES/SECTIONPAGES → `w:fldSimple` (кэш страниц в PDF не попадает); вложенные/битые поля пропускаются. 5. `InvisibleCharNormalizer` — вырезает из `w:t` U+0085, U+2028, U+2029, U+200E/200F, U+202A–202E, U+2060, U+FEFF (FOP делает из них переносы/пустые строки, Arimo/Tinos рисуют боксы). U+00A0/U+00AD/U+200B–U+200D **не** трогает. 6. `GlyphCoverageNormalizer` — режет раны по покрытию глифов и пишет семейство в `w:rFonts`, иначе FOP рисует «#». Покрытие — `GlyphFont` (fontbox, cmap) + BitSet-кэш, **не** docx4j `GlyphCheck` (плодит INFO-лог; `java.awt.Font` требовал fontconfig на хосте). Для serif-ран fallback ищется сначала в `SERIF_FAMILIES` (`dejavu serif`, `tinos`, `caladea`), затем в sans. -7. `OleObjectNormalizer` — принимает флаг `errorOnOle`. Детект OLE-бинарников — по `[Content_Types].xml`: тип `…oleObject` **или** ложный `+xml`-тип у `.bin` (XML в bin не бывает; `printerSettings` не трогается). Удаляются вместе с rels-ссылками (по типу, включая `TargetMode=External`) и Override удалённых частей. Элементы `` из `word/*.xml` не выбрасываются, а заменяются статичным представлением — картинкой-плейсхолдером (ECMA-376 §15.2.10): `w:drawing` переиспользуется дословно, `v:imagedata r:id` → inline-DrawingML на ту же image-часть (размер из `style` `v:shape`, иначе `w:dxaOrig`/`w:dyaOrig` ×635), блоки с `w:control` и без плейсхолдера удаляются. OLE-бинарники никогда не читаются. При `errorOnOle=true` вместо вычистки — `DrawingFoundException(OLE)`. Лечит оба механизма падения docx4j: JAXB-разбор бинарника под ложным XML-типом («Content is not allowed in prolog» → NPE) и NPE `chunkType is null` в VML-сериализации `w:object`. Многочастный: публичный член только `normalize(byte[], boolean)`, `rewrite`-хука нет. +7. `OleObjectNormalizer` — принимает флаг `errorOnOle`. Два этапа: дешёвый детект по центральному каталогу zip (`ZipFile`; читаются только `[Content_Types].xml` и `word/*.xml` до первого `` из `word/*.xml` не выбрасываются, а заменяются статичным представлением — картинкой-плейсхолдером (ECMA-376 §15.2.10): `w:drawing` переиспользуется дословно, `v:imagedata r:id` → inline-DrawingML на ту же image-часть (размер из `style` `v:shape`, иначе `w:dxaOrig`/`w:dyaOrig` ×635), блоки с `w:control` и без плейсхолдера удаляются. OLE-бинарники никогда не читаются. При `errorOnOle=true` вместо вычистки — `DrawingFoundException(OLE)`. Лечит оба механизма падения docx4j: JAXB-разбор бинарника под ложным XML-типом («Content is not allowed in prolog» → NPE) и NPE `chunkType is null` в VML-сериализации `w:object`. Многочастный: публичный член только `normalize(byte[], boolean)`, `rewrite`-хука нет. `mc-preprocessor.xslt` docx4j (в jar `docx4j-core`) перебивает strict-namespace'ы в transitional и конвертит `pt` в twips/half-points, но ветку перевода процентов в тысячные для namespace'ных атрибутов содержит с закомментированным `` (для атрибутов без namespace — она активна), а `w:start`/`w:end` в `w:left`/`w:right` не маппит вовсе. Поэтому собственный рерайт URI ломать нельзя — он сломал бы pt-конверсию preprocessor'а (FOP получил бы «10pt»). @@ -102,7 +102,7 @@ Java2D → PNG 300 dpi (`ChartRenderer.DPI = 300`, `PADDING = 4.0`, растр |---|---| | `wordpdf-core/src/main/java/ru/pjandro/wordpdf/` | Публичный API: `WordPdfConverter` (`convert(byte[],String[,ConvertOptions])`), `WordPdfValidator` (`checkInput`/`checkPageCount`/`validate` — без зависимости от docx4j), `ConversionException`, `ValidationException` (наследник — «вход некорректен»), `DrawingFoundException` (`enum Kind {CHARTS, SMARTART, OLE}`), `WordPdfSettings` (`MAX_INPUT_MB=5`, `MAX_PAGES=100`, защитные `MAX_DECOMPRESSED_MB=200`/`MAX_ZIP_ENTRIES=8192`, `ERROR_ON_*=false`), `ConvertOptions` (record) | | `…/wordpdf/fonts/` | `BundledFonts` (реестр/выгрузка TTF), `BundledFontMapper` (алиасы, self-map, `DISPLAY_NAMES`, `bundledFamily`), `GlyphFont` (глиф-движок fontbox) | -| `…/wordpdf/internal/` | 7 нормализаторов + интерфейс `DocxNormalizer` + `FopFallbackFonts` + `DependencyGuard` (проверка commons-compress, шаг 0). Классы `public` (иначе родительский пакет не вызвал бы), публичные члены наружу только `normalize`/`STEP`/`declare`/`DependencyGuard.check`; `OleObjectNormalizer` — многочастный, публичный `normalize(byte[], boolean)`, бросает `DrawingFoundException(OLE)` | +| `…/wordpdf/internal/` | 7 нормализаторов + `DocxRewritePipeline` (один zip-проход правил 1–6, raw-копия неизменённых записей) + интерфейс `DocxNormalizer` + `FopFallbackFonts` + `DependencyGuard` (проверка commons-compress, шаг 0). Классы `public` (иначе родительский пакет не вызвал бы), публичные члены наружу только `normalize`/`STEP`/`declare`/`DependencyGuard.check`; `OleObjectNormalizer` — многочастный, публичный `normalize(byte[], boolean)`, бросает `DrawingFoundException(OLE)` | | `…/wordpdf/internal/chart/` | 17 классов Java2D-рендера диаграмм/SmartArt в PNG (public только `DrawingPreRenderer.run`) | | `wordpdf-core/src/main/resources/fonts/` | 30 TTF + 3 лицензии — бинарные фикстуры, часть jar | | `wordpdf-core/src/test/resources/samples/` | 13 закоммиченных `.docx`-фикстур (единственные .docx-фикстуры), все проходят `docs/standards/validate-fixtures.py` | @@ -150,7 +150,7 @@ java -cp wordpdf-core/target/test-classes:$(cat /tmp/cp.txt) \ ## Code Conventions & Common Patterns - Классы `final`, приватный конструктор, только `static` (stateless, DI нет; конфигурация — `Docx4jProperties` + classpath-ресурсы). Исключения — экземпляры по природе: `BundledFontMapper` (`extends BestMatchingMapper`), обёртка цветов `DrawMlColor` (instance, но не наследник docx4j) и Spring-компоненты `wordpdf-app`. -- Нормализаторы — единый контракт `internal/DocxNormalizer` + константа `STEP` для сборки цепочки; нечего менять → **тот же массив**; package-private хук `static String rewrite(String xml)` для юнит-тестов (возвращает `null` при отсутствии изменений; есть у 6 из 7 — у многочастного `OleObjectNormalizer` нет); правятся только части `word/*.xml`. +- Нормализаторы — единый контракт `internal/DocxNormalizer` + константа `STEP`; цепочка `WordPdfConverter.normalizers()` = `DocxRewritePipeline.STEP` (правила 1–6 одним zip-проходом) + лямбда `OleObjectNormalizer`; нечего менять → **тот же массив**; package-private хук `static String rewrite(String xml)` для юнит-тестов (возвращает `null` при отсутствии изменений; есть у 6 из 7 — у многочастного `OleObjectNormalizer` нет); у `StrictOoxmlNormalizer` есть также `rewritePart(entryName, xml)` (per-part-логика, хук пайплайна); правятся только части `word/*.xml`. - Ошибки публичного API — только `ConversionException extends RuntimeException`; внутренние исключения оборачиваются на границе. В chart — деградация вместо падения. - Javadoc на русском, объясняет «почему» и ссылается на регрессию и фикстуру (формат: `Регрессия — WordPdfConverterTest#имя, фикстура samples/….docx`) — новый фикс оформлять так же. - Константы UPPER_SNAKE с числовыми эталонными значениями (`PIE_DEPTH`, `MAX_PAGES`); начертания `V_REGULAR/V_BOLD/...`; модели — `record`; размеры в chart — в пунктах, растр × `DPI/72`. diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java index 45bf2fe..f55296b 100644 --- a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java +++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java @@ -13,14 +13,9 @@ import ru.pjandro.wordpdf.fonts.BundledFonts; import ru.pjandro.wordpdf.internal.chart.DrawingPreRenderer; import ru.pjandro.wordpdf.internal.DependencyGuard; import ru.pjandro.wordpdf.internal.DocxNormalizer; -import ru.pjandro.wordpdf.internal.DocxOnOffNormalizer; -import ru.pjandro.wordpdf.internal.FieldNormalizer; -import ru.pjandro.wordpdf.internal.GlyphCoverageNormalizer; -import ru.pjandro.wordpdf.internal.InvisibleCharNormalizer; +import ru.pjandro.wordpdf.internal.DocxRewritePipeline; import ru.pjandro.wordpdf.internal.OleObjectNormalizer; import ru.pjandro.wordpdf.internal.FopFallbackFonts; -import ru.pjandro.wordpdf.internal.StrictOoxmlNormalizer; -import ru.pjandro.wordpdf.internal.SymbolFontNormalizer; import java.io.ByteArrayInputStream; import java.io.ByteArrayOutputStream; @@ -103,7 +98,7 @@ public final class WordPdfConverter { public static byte[] convert(byte[] docxBytes, String title, ConvertOptions options) throws ConversionException { ConvertOptions opts = options == null ? ConvertOptions.defaults() : options; WordPdfValidator.validate(docxBytes, opts); - ByteArrayOutputStream bos = new ByteArrayOutputStream(); + ByteArrayOutputStream bos = new ByteArrayOutputStream(Math.max(1 << 16, docxBytes.length)); try { convertToStream(docxBytes, title, opts, bos); } catch (ConversionException e) { @@ -137,9 +132,9 @@ public final class WordPdfConverter { // em-dash (U+2000–U+2EFF) остаётся на шрифте ранa вместо fallback. BundledFonts.restrictToBundled(); - // 2. Загрузка документа: байтовый конвейер нормализаторов в фиксированном - // порядке (см. normalizers) — дальше лежит transitional-байт, готовый - // для JAXB/docx4j. + // 2. Загрузка документа: один zip-проход переписывания XML-частей + // (DocxRewritePipeline) + условная OLE-вычистка (OleObjectNormalizer) + // — дальше лежит transitional-байт, готовый для JAXB/docx4j. byte[] docxBytes = rawDocxBytes; for (DocxNormalizer normalizer : normalizers(options)) { docxBytes = normalizer.normalize(docxBytes); @@ -154,6 +149,9 @@ public final class WordPdfConverter { // длинный документ; внутри try — чтобы и на отказе отработал // finally с чисткой temp-файлов встроенных шрифтов. WordPdfValidator.checkPageCount(docxBytes, options.maxPages()); + // после этой строки docxBytes больше не читается — HotSpot с точными + // картами liveness считает его недостижимым, нормализованная копия + // освобождается до FOP-рендера (пик: JAXB-модель + FOP + PDF-буфер) // 3. Привязка маппера: docx4j сопоставляет шрифты документа // с физическими TTF (учитывая и шрифты, встроенные в docx) pkg.setFontMapper(mapper); @@ -192,36 +190,22 @@ public final class WordPdfConverter { } /** - * Конвейер байтовой нормализации docx. Порядок фиксирован: - * StrictOoxml первым (дальше по конвейеру лежит transitional-байт), - * GlyphCoverage после SymbolFont/InvisibleChar (покрытие считается по - * финальному тексту/шрифтам рана), OleObject последним (меняет части, - * а не XML ранов). Регрессии каждого шага — в javadoc нормализатора. + * Конвейер байтовой нормализации docx. Порядок фиксирован: сначала один + * zip-проход переписывания XML-частей (внутри части порядок рерайтов + * Strict→OnOff→Symbol→Field→Invisible→GlyphCoverage значим: Strict первым — + * дальше transitional-байт; GlyphCoverage последним — по финальному тексту + * рана), затем OleObjectNormalizer (меняет части, а не XML ранов). + * Регрессии каждого рерайта — в javadoc соответствующего нормализатора. */ private static List normalizers(ConvertOptions options) { return List.of( - // strict-OOXML -> transitional: проценты строками и w:start/w:end - // ломают int-биндинги JAXB (StrictOoxmlNormalizer) - StrictOoxmlNormalizer.STEP, - // w:val="off"/"on" -> "false"/"true": docx4j теряет on/off - // при JAXB-разборе (DocxOnOffNormalizer) - DocxOnOffNormalizer.STEP, - // Symbol/Wingdings PUA -> Unicode + DejaVu Sans, иначе «#» - // (SymbolFontNormalizer) - SymbolFontNormalizer.STEP, - // поля PAGE/NUMPAGES fldChar -> w:fldSimple, иначе печатается - // кэш docx (FieldNormalizer) - FieldNormalizer.STEP, - // невидимые символы (U+0085/U+2028/U+2029, U+2060/U+FEFF, - // bidi-метки): FOP делает из них переносы, Arimo/Tinos — боксы - // (InvisibleCharNormalizer) - InvisibleCharNormalizer.STEP, - // раны со знаками вне покрытия их шрифта: режем ран, иначе - // FOP рисует «#» (GlyphCoverageNormalizer) - GlyphCoverageNormalizer.STEP, + // один zip-проход: strict→transitional, on/off, Symbol-PUA, + // поля PAGE/NUMPAGES, невидимки, покрытие глифов — порядок + // рерайтов внутри части фиксирован (DocxRewritePipeline) + DocxRewritePipeline.STEP, // OLE-объекты: при выключенном errorOnOle тихо удаляем // (часть/rels/w:object), при включённом — DrawingFoundException - // (OleObjectNormalizer) + // (OleObjectNormalizer); второй проход, т.к. меняет части, а не XML bytes -> OleObjectNormalizer.normalize(bytes, options.errorOnOle())); } } diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/DocxRewritePipeline.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/DocxRewritePipeline.java new file mode 100644 index 0000000..36d2b5d --- /dev/null +++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/DocxRewritePipeline.java @@ -0,0 +1,124 @@ +package ru.pjandro.wordpdf.internal; + +import java.io.ByteArrayOutputStream; +import java.io.IOException; +import java.io.InputStream; +import java.nio.charset.StandardCharsets; +import java.util.Collections; + +import org.apache.commons.compress.archivers.zip.ZipArchiveEntry; +import org.apache.commons.compress.archivers.zip.ZipArchiveOutputStream; +import org.apache.commons.compress.archivers.zip.ZipFile; +import org.apache.commons.compress.utils.SeekableInMemoryByteChannel; + +/** + * Единый zip-проход переписывания XML-частей (.docx) вместо шести отдельных + * проходов нормализаторов: к каждой записи {@code word/*.xml} применяются все + * шесть рерайтов в фиксированном порядке + * Strict→OnOff→Symbol→Field→Invisible→GlyphCoverage. Порядок значим: Strict + * первым — дальше части в transitional-виде; GlyphCoverage последним — режет + * раны по финальному тексту рана (после Symbol/Invisible). Каждый рерайт + * работает только содержимым одной части, поэтому по-частная цепочка + * эквивалентна последовательным полным проходам. + * + *

Неизменённые записи (медиа, rels, прочее) переносятся raw-копией + * сжатых байтов — без inflate/deflate; прочие (редкие методы сжатия, + * шифрованные) — обычный перенос. Ни одна часть не изменилась → + * возвращается тот же массив (контракт DocxNormalizer). + * + *

Вход — валидный zip: вызывается только из WordPdfConverter после + * WordPdfValidator.validate, поэтому отдельного catch на не-zip нет — + * IOException уходит наружу и оборачивается в ConversionException на границе. + * + *

Регрессии — WordPdfConverterTest#strictOoxml_convertsNotRejected, + * #oleObjects_removedAndConverted, #symbolFonts_bulletsAreNotHash, + * #exoticGlyphs_drawnNotHash. + */ +public final class DocxRewritePipeline { + + private DocxRewritePipeline() { + } + + /** Шаг конвейера WordPdfConverter#normalizers: этот проход как DocxNormalizer. */ + public static final DocxNormalizer STEP = DocxRewritePipeline::normalize; + + /** + * Применяет шесть рерайтов к каждой записи {@code word/*.xml} за один + * проход zip. + * + * @param docx байты .docx (валидный zip) + * @return те же или переупакованные байты + */ + public static byte[] normalize(byte[] docx) throws IOException { + ByteArrayOutputStream out = new ByteArrayOutputStream(docx.length); + boolean changed = false; + try (ZipFile zf = new ZipFile(new SeekableInMemoryByteChannel(docx)); + ZipArchiveOutputStream zos = new ZipArchiveOutputStream(out)) { + for (ZipArchiveEntry entry : Collections.list(zf.getEntries())) { + String name = entry.getName(); + byte[] rewritten = null; + if (name.startsWith("word/") && name.endsWith(".xml")) { + String xml = new String(zf.getInputStream(entry).readAllBytes(), + StandardCharsets.UTF_8); + String cur = xml; + String next = StrictOoxmlNormalizer.rewritePart(name, cur); + if (next != null) { + cur = next; + } + next = DocxOnOffNormalizer.rewrite(cur); + if (next != null) { + cur = next; + } + next = SymbolFontNormalizer.rewrite(cur); + if (next != null) { + cur = next; + } + next = FieldNormalizer.rewrite(cur); + if (next != null) { + cur = next; + } + next = InvisibleCharNormalizer.rewrite(cur); + if (next != null) { + cur = next; + } + next = GlyphCoverageNormalizer.rewrite(cur); + if (next != null) { + cur = next; + } + if (cur != xml) { + changed = true; + rewritten = cur.getBytes(StandardCharsets.UTF_8); + } + } + if (rewritten != null) { + zos.putArchiveEntry(new ZipArchiveEntry(name)); + zos.write(rewritten); + zos.closeArchiveEntry(); + } else { + // raw-копия возможна для DEFLATED/STORED без шифрования + // (для прочих getRawInputStream кидает/возвращает null); + // флаги-дескрипторы выходного zip ZipArchiveOutputStream + // пишет по своей политике, source-флаги не наследуются + int method = entry.getMethod(); + InputStream raw = (method == ZipArchiveEntry.DEFLATED + || method == ZipArchiveEntry.STORED) + && !entry.getGeneralPurposeBit().usesEncryption() + ? zf.getRawInputStream(entry) : null; + if (raw != null) { + // медиа/rels/прочее без изменений — копия сжатых байтов, + // без inflate/deflate + try (raw) { + zos.addRawArchiveEntry(entry, raw); + } + } else { + // прочие методы/шифрованные — обычный перенос + zos.putArchiveEntry(new ZipArchiveEntry(name)); + zf.getInputStream(entry).transferTo(zos); + zos.closeArchiveEntry(); + } + } + } + } + return changed ? out.toByteArray() : docx; + } +} diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/OleObjectNormalizer.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/OleObjectNormalizer.java index 414c6cc..c21dd76 100644 --- a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/OleObjectNormalizer.java +++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/OleObjectNormalizer.java @@ -2,14 +2,12 @@ package ru.pjandro.wordpdf.internal; import ru.pjandro.wordpdf.DrawingFoundException; -import java.io.ByteArrayInputStream; import java.io.ByteArrayOutputStream; import java.io.IOException; import java.nio.charset.StandardCharsets; import java.util.ArrayList; import java.util.HashMap; import java.util.HashSet; -import java.util.LinkedHashMap; import java.util.List; import java.util.Map; import java.util.Set; @@ -17,10 +15,15 @@ import java.util.Locale; import java.util.logging.Logger; import java.util.regex.Matcher; import java.util.regex.Pattern; +import java.util.Collections; import java.util.zip.ZipEntry; -import java.util.zip.ZipInputStream; +import java.util.zip.ZipException; import java.util.zip.ZipOutputStream; +import org.apache.commons.compress.archivers.zip.ZipArchiveEntry; +import org.apache.commons.compress.archivers.zip.ZipFile; +import org.apache.commons.compress.utils.SeekableInMemoryByteChannel; + /** * Вычистка OLE-объектов из docx перед загрузкой docx4j — со сохранением * статичного представления. @@ -147,81 +150,92 @@ public final class OleObjectNormalizer { * @return те же байты, если OLE-объектов нет; иначе переупакованный zip без OLE */ public static byte[] normalize(byte[] docx, boolean errorOnOle) throws IOException { - Map entries = new LinkedHashMap<>(); - try (ZipInputStream zis = new ZipInputStream(new ByteArrayInputStream(docx))) { - ZipEntry entry; - while ((entry = zis.getNextEntry()) != null) { - entries.put(entry.getName(), zis.readAllBytes()); - } - } - byte[] contentTypes = entries.get(CONTENT_TYPES_ENTRY); - if (contentTypes == null) { + // Два этапа: дешёвый детект по центральному каталогу zip (читаются + // только [Content_Types].xml и word/*.xml до первого defaults = defaultTypes(ctXml); - Map overrides = overrideTypes(ctXml); - - Set oleParts = new HashSet<>(); - boolean hasObjectMarkup = false; - for (Map.Entry e : entries.entrySet()) { - String name = e.getKey(); - if (name.endsWith(BIN_SUFFIX)) { - String type = effectiveType(name, overrides, defaults); - if (type != null && (OLE_OBJECT_TYPE.equalsIgnoreCase(type) - || type.endsWith(XML_TYPE_SUFFIX))) { - oleParts.add(name); - } - } else if (!hasObjectMarkup && name.startsWith("word/") && name.endsWith(".xml") - && new String(e.getValue(), StandardCharsets.UTF_8).contains(" defaults = defaultTypes(ctXml); + Map overrides = overrideTypes(ctXml); - ByteArrayOutputStream out = new ByteArrayOutputStream(docx.length); - try (ZipOutputStream zos = new ZipOutputStream(out)) { - for (Map.Entry e : entries.entrySet()) { - String name = e.getKey(); - byte[] data = e.getValue(); - if (oleParts.contains(name)) { - continue; + Set oleParts = new HashSet<>(); + boolean hasObjectMarkup = false; + for (ZipArchiveEntry entry : Collections.list(zf.getEntries())) { + String name = entry.getName(); + if (name.endsWith(BIN_SUFFIX)) { + String type = effectiveType(name, overrides, defaults); + if (type != null && (OLE_OBJECT_TYPE.equalsIgnoreCase(type) + || type.endsWith(XML_TYPE_SUFFIX))) { + oleParts.add(name); + } + } else if (!hasObjectMarkup && name.startsWith("word/") && name.endsWith(".xml") + && new String(zf.getInputStream(entry).readAllBytes(), + StandardCharsets.UTF_8).contains(" ContentType из элементов Default. */ diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizer.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizer.java index 88f9956..1550b59 100644 --- a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizer.java +++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizer.java @@ -140,8 +140,7 @@ public final class StrictOoxmlNormalizer { // счётчика, его не переименовываем; направление части — по // наличию strict-URI (transitional-правила мягче) String xml = new String(data, StandardCharsets.UTF_8); - String fixed = rewrite(xml, !"word/numbering.xml".equals(name), - xml.contains(STRICT_NS)); + String fixed = rewritePart(name, xml); if (fixed != null) { changed = true; data = fixed.getBytes(StandardCharsets.UTF_8); @@ -155,6 +154,18 @@ public final class StrictOoxmlNormalizer { return changed ? out.toByteArray() : docx; } + /** + * Рерайт одной zip-записи (имя нужно ради word/numbering.xml): в + * numbering.xml w:start — элемент стартового значения счётчика, его не + * переименовываем; направление части — по наличию strict-URI + * (transitional-правила мягче). Хук общего прохода DocxRewritePipeline. + * + * @return новая строка либо null, если правок не было + */ + static String rewritePart(String entryName, String xml) { + return rewrite(xml, !"word/numbering.xml".equals(entryName), xml.contains(STRICT_NS)); + } + /** * Применяет к XML-строке все правила в strict-режиме, включая переименование * элементов {@code w:start}/{@code w:end} (хук юнит-тестов).