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 ce2b4b1..e44e595 100644 --- a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java +++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java @@ -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 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())); + } } diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/DocxNormalizer.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/DocxNormalizer.java new file mode 100644 index 0000000..0b0c3a7 --- /dev/null +++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/DocxNormalizer.java @@ -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; +}