refactor(core): интерфейс DocxNormalizer, конвейер нормализаторов списком в конвертере
This commit is contained in:
@@ -11,6 +11,7 @@ import org.docx4j.openpackaging.packages.WordprocessingMLPackage;
|
||||
import ru.pjandro.wordpdf.fonts.BundledFontMapper;
|
||||
import ru.pjandro.wordpdf.fonts.BundledFonts;
|
||||
import ru.pjandro.wordpdf.internal.chart.DrawingPreRenderer;
|
||||
import ru.pjandro.wordpdf.internal.DocxNormalizer;
|
||||
import ru.pjandro.wordpdf.internal.DocxOnOffNormalizer;
|
||||
import ru.pjandro.wordpdf.internal.FieldNormalizer;
|
||||
import ru.pjandro.wordpdf.internal.GlyphCoverageNormalizer;
|
||||
@@ -23,6 +24,7 @@ import ru.pjandro.wordpdf.internal.SymbolFontNormalizer;
|
||||
import java.io.ByteArrayInputStream;
|
||||
import java.io.ByteArrayOutputStream;
|
||||
import java.io.OutputStream;
|
||||
import java.util.List;
|
||||
|
||||
/**
|
||||
* Конвертер docx -> PDF на базе docx4j + Apache FOP
|
||||
@@ -128,34 +130,13 @@ public final class WordPdfConverter {
|
||||
// em-dash (U+2000–U+2EFF) остаётся на шрифте ранa вместо fallback.
|
||||
BundledFonts.restrictToBundled();
|
||||
|
||||
// 2. Загрузка документа. Первым strict-OOXML: Word в strict пишет
|
||||
// проценты строками ("130%") и w:start/w:end вместо w:left/
|
||||
// w:right — JAXB падает на int-биндингах (см. StrictOoxmlNormalizer);
|
||||
// дальше по конвейеру лежит уже transitional-байт.
|
||||
byte[] docxBytes = StrictOoxmlNormalizer.normalize(rawDocxBytes);
|
||||
// ...затем w:val="off"/"on" в "false"/"true": docx4j 11.x теряет
|
||||
// атрибуты "off"/"on" при JAXB-разборе (см. DocxOnOffNormalizer).
|
||||
docxBytes = DocxOnOffNormalizer.normalize(docxBytes);
|
||||
// ...и символьные шрифты Symbol/Wingdings: их коды из PUA экспорт
|
||||
// в FO не понимает и рисует «#» (см. SymbolFontNormalizer).
|
||||
docxBytes = SymbolFontNormalizer.normalize(docxBytes);
|
||||
// ...и поля PAGE/NUMPAGES из fldChar делаем w:fldSimple, иначе
|
||||
// в колонтитулах печатается кэш docx (см. FieldNormalizer).
|
||||
docxBytes = FieldNormalizer.normalize(docxBytes);
|
||||
// ...и невидимые символы (U+0085/U+2028/U+2029, U+2060/U+FEFF,
|
||||
// bidi-метки): FOP превращает первые три в принудительные переносы
|
||||
// — пустые строки, а Arimo/Tinos рисуют для них видимые боксы;
|
||||
// в Word они невидимы (см. InvisibleCharNormalizer).
|
||||
docxBytes = InvisibleCharNormalizer.normalize(docxBytes);
|
||||
// ...и раны со знаками, которых нет в их шрифте: без этого
|
||||
// FOP рисует «#» (docx4j проверяет покрытие не для всех знаков
|
||||
// и кэширует фолбэк на группу Юникода, см. GlyphCoverageNormalizer).
|
||||
docxBytes = GlyphCoverageNormalizer.normalize(docxBytes);
|
||||
// ...и OLE-объекты (внедрённые бинарные .bin-части): docx4j падает и на
|
||||
// ложном XML-типе bin-части в [Content_Types], и на сериализации VML
|
||||
// w:object. При выключенном errorOnOle объекты тихо удаляются (часть,
|
||||
// rels, w:object), при включённом — отказ (см. OleObjectNormalizer).
|
||||
docxBytes = OleObjectNormalizer.normalize(docxBytes, options.errorOnOle());
|
||||
// 2. Загрузка документа: байтовый конвейер нормализаторов в фиксированном
|
||||
// порядке (см. normalizers) — дальше лежит transitional-байт, готовый
|
||||
// для JAXB/docx4j.
|
||||
byte[] docxBytes = rawDocxBytes;
|
||||
for (DocxNormalizer normalizer : normalizers(options)) {
|
||||
docxBytes = normalizer.normalize(docxBytes);
|
||||
}
|
||||
WordprocessingMLPackage pkg = WordprocessingMLPackage.load(
|
||||
new ByteArrayInputStream(docxBytes));
|
||||
try {
|
||||
@@ -202,4 +183,38 @@ public final class WordPdfConverter {
|
||||
// пакет загружается в память и ничего не закрывает.
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* 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.
|
||||
*/
|
||||
private static List<DocxNormalizer> normalizers(ConvertOptions options) {
|
||||
return List.of(
|
||||
// strict-OOXML -> transitional: проценты строками и w:start/w:end
|
||||
// ломают int-биндинги JAXB (StrictOoxmlNormalizer)
|
||||
StrictOoxmlNormalizer::normalize,
|
||||
// w:val="off"/"on" -> "false"/"true": docx4j теряет on/off
|
||||
// при JAXB-разборе (DocxOnOffNormalizer)
|
||||
DocxOnOffNormalizer::normalize,
|
||||
// Symbol/Wingdings PUA -> Unicode + DejaVu Sans, иначе «#»
|
||||
// (SymbolFontNormalizer)
|
||||
SymbolFontNormalizer::normalize,
|
||||
// поля PAGE/NUMPAGES fldChar -> w:fldSimple, иначе печатается
|
||||
// кэш docx (FieldNormalizer)
|
||||
FieldNormalizer::normalize,
|
||||
// невидимые символы (U+0085/U+2028/U+2029, U+2060/U+FEFF,
|
||||
// bidi-метки): FOP делает из них переносы, Arimo/Tinos — боксы
|
||||
// (InvisibleCharNormalizer)
|
||||
InvisibleCharNormalizer::normalize,
|
||||
// раны со знаками вне покрытия их шрифта: режем ран, иначе
|
||||
// FOP рисует «#» (GlyphCoverageNormalizer)
|
||||
GlyphCoverageNormalizer::normalize,
|
||||
// OLE-объекты: при выключенном errorOnOle тихо удаляем
|
||||
// (часть/rels/w:object), при включённом — DrawingFoundException
|
||||
// (OleObjectNormalizer)
|
||||
bytes -> OleObjectNormalizer.normalize(bytes, options.errorOnOle()));
|
||||
}
|
||||
}
|
||||
|
||||
@@ -0,0 +1,16 @@
|
||||
package ru.pjandro.wordpdf.internal;
|
||||
|
||||
import java.io.IOException;
|
||||
|
||||
/**
|
||||
* Шаг байтового конвейера нормализации docx перед WordprocessingMLPackage.load():
|
||||
* принимает байты .docx (zip), возвращает те же байты, если менять нечего,
|
||||
* иначе переупакованный zip (контракт assertSame — см. тесты нормализаторов).
|
||||
* Порядок шагов задаёт единственный конвейер — WordPdfConverter#normalizers;
|
||||
* перестановка шагов ломает конвертацию (см. javadoc каждого нормализатора).
|
||||
*/
|
||||
@FunctionalInterface
|
||||
public interface DocxNormalizer {
|
||||
|
||||
byte[] normalize(byte[] docx) throws IOException;
|
||||
}
|
||||
Reference in New Issue
Block a user