docx→PDF конвертер на docx4j + FOP (без LibreOffice/Aspose)
- wordpdf-core: WordPdfConverter, встроенные TTF-шрифты (Carlito/Caladea/ Arimo/Tinos/Cousine/DejaVu), BundledFontMapper с фолбэком в DejaVu - нормализация w:val on/off (regular-раны не рендерятся жирным курсивом) - символы U+2000–U+2EFF (em-dash) встраиваются через DejaVu, а не системным неembedded-шрифтом - wordpdf-cli: fat-jar CLI (один/несколько docx, явный выходной файл) - тесты (docx4j/FOP/PDFBox/POI), README
This commit is contained in:
@@ -0,0 +1,125 @@
|
||||
# java-word-pdf
|
||||
|
||||
Конвертация **docx → PDF** на чистом Java: `docx4j` + `Apache FOP`, без
|
||||
LibreOffice/Aspose. Шрифты упакованы в jar — конвертация не зависит от
|
||||
шрифтов, установленных в системе (работает «из коробки» на голом сервере).
|
||||
|
||||
## Возможности
|
||||
|
||||
- Поддержка RU/EN: кириллица и латиница встраиваются в PDF (embedded-подмножества).
|
||||
- Самодостаточность: TTF выгружаются из jar в временный каталог и регистрируются
|
||||
в docx4j/FOP.
|
||||
- Частые MS-шрифты подменяются метрически совместимыми open-source аналогами
|
||||
(см. «Шрифты» ниже).
|
||||
- Клиентская библиотека (`wordpdf-core`) и CLI (`wordpdf-cli`, fat-jar).
|
||||
|
||||
## Структура
|
||||
|
||||
```
|
||||
java-word-pdf/
|
||||
├── wordpdf-core/ библиотека: конвертер, шрифты, маппинг
|
||||
└── wordpdf-cli/ командная строка (fat-jar через maven-shade)
|
||||
```
|
||||
|
||||
Ключевые классы (`wordpdf-core`):
|
||||
|
||||
| Класс | Назначение |
|
||||
|---|---|
|
||||
| `ru.pjandro.wordpdf.WordPdfConverter` | публичный API: `convert(Path)` / `convert(Path, Path)` |
|
||||
| `ru.pjandro.wordpdf.ConversionException` | исключение конвертации |
|
||||
| `ru.pjandro.wordpdf.fonts.BundledFonts` | выгрузка TTF из jar и регистрация в docx4j |
|
||||
| `ru.pjandro.wordpdf.fonts.BundledFontMapper` | маппинг имён шрифтов документа → TTF |
|
||||
| `ru.pjandro.wordpdf.internal.DocxOnOffNormalizer` | нормализация `w:val="off"/"on"` перед загрузкой |
|
||||
| `ru.pjandro.wordpdf.internal.FopFallbackFonts` | декларация fallback-семейства в FOP-конфиге |
|
||||
|
||||
## Сборка
|
||||
|
||||
Требуется **Java 17** и **Maven**.
|
||||
|
||||
```bash
|
||||
mvn clean verify # сборка всех модулей + тесты
|
||||
mvn -pl wordpdf-cli package # только fat-jar CLI
|
||||
```
|
||||
|
||||
Результат: `wordpdf-cli/target/wordpdf-cli-<версия>.jar` (fat-jar, все
|
||||
зависимости внутри).
|
||||
|
||||
## Использование
|
||||
|
||||
### CLI
|
||||
|
||||
```bash
|
||||
java -jar wordpdf-cli-1.0.0.jar in.docx # рядом создаётся in.pdf
|
||||
java -jar wordpdf-cli-1.0.0.jar in.docx out.pdf # в указанный файл
|
||||
java -jar wordpdf-cli-1.0.0.jar a.docx b.docx # пакетно: каждый -> свой .pdf
|
||||
```
|
||||
|
||||
Коды возврата: `0` — успех, `1` — ошибка использования, `2` — не удалось
|
||||
конвертировать хотя бы один файл.
|
||||
|
||||
### Библиотека
|
||||
|
||||
```java
|
||||
import ru.pjandro.wordpdf.WordPdfConverter;
|
||||
import java.nio.file.Path;
|
||||
|
||||
Path pdf = WordPdfConverter.convert(Path.of("doc.docx")); // doc.pdf рядом
|
||||
WordPdfConverter.convert(Path.of("doc.docx"), Path.of("out.pdf")); // явный выход
|
||||
```
|
||||
|
||||
Ошибки валидации (не `.docx`, файл не найден) бросают `ConversionException`.
|
||||
|
||||
## Шрифты
|
||||
|
||||
В `wordpdf-core/src/main/resources/fonts/` упакованы 28 TTF (по 4 начертания
|
||||
на семейство):
|
||||
|
||||
| Семейство | Аналог MS-шрифта |
|
||||
|---|---|
|
||||
| Carlito | Calibri |
|
||||
| Caladea | Cambria |
|
||||
| Arimo | Arial |
|
||||
| Tinos | Times New Roman |
|
||||
| Cousine | Courier New |
|
||||
| DejaVu Sans / DejaVu Serif | fallback |
|
||||
|
||||
`BundledFontMapper` подставляет метрически совместимые аналоги при конвертации
|
||||
(`Calibri → Carlito` и т.д.). Нераспознанные шрифты и символы, не найденные в
|
||||
шрифте ранa (em-dash «—», кавычки, U+2000–U+2EFF), падают в **DejaVu Sans**
|
||||
(гарантированная кириллица). Все шрифты встраиваются в PDF как подмножества.
|
||||
|
||||
### Лицензии шрифтов
|
||||
|
||||
- Arimo, Cousine, Tinos, Carlito, Caladea — **SIL OFL 1.1**
|
||||
(см. `fonts/FONT-LICENSE.txt`).
|
||||
- DejaVu Sans / DejaVu Serif — **SIL OFL 1.1 / Bitstream Vera**
|
||||
(см. `fonts/DejaVu-LICENSE.txt`).
|
||||
|
||||
## Как это работает
|
||||
|
||||
```
|
||||
docx ──> (нормализация w:val on/off) ──> docx4j (WordprocessingMLPackage)
|
||||
──> XSL-FO (XSLT) ──> Apache FOP ──> PDF (embedded-шрифты)
|
||||
```
|
||||
|
||||
1. Байты `.docx` нормализуются (`DocxOnOffNormalizer`): docx4j 11.x теряет
|
||||
атрибуты `w:val="off"/"on"` при JAXB-разборе, из-за чего regular-раны
|
||||
могли рендериться жирным курсивом.
|
||||
2. Документ загружается в `WordprocessingMLPackage`, привязывается
|
||||
`BundledFontMapper`.
|
||||
3. Экспорт в XSL-FO (XSLT-проход), затем `Apache FOP` рендерит PDF, встраивая
|
||||
используемые подмножества шрифтов.
|
||||
|
||||
## Ограничения
|
||||
|
||||
- Это **не** pixel-perfect рендер Word: раскладка, поля и некоторые эффекты
|
||||
приближённые (ограничения FOP/docx4j, а не «мы что-то упустили»).
|
||||
- Символы U+2000–U+2EFF (em-dash и т.п.) рендерятся fallback-шрифтом DejaVu,
|
||||
а не шрифтом самого ранa.
|
||||
- Поддержка таблиц/изображений — базовая (через docx4j/FOP).
|
||||
|
||||
## Тесты
|
||||
|
||||
Тесты используют готовые `.docx` из `wordpdf-core/src/test/resources/samples/`
|
||||
(генерируются POI) и проверяют извлечённый PDFBox'ом текст и встраивание
|
||||
шрифтов. Запуск: `mvn test`.
|
||||
Reference in New Issue
Block a user