Валидатор: лимиты 5 МиБ и 100 страниц, отказ до рендера и без артефактов
- WordPdfValidator (новый): MAX_INPUT_BYTES/MAX_PAGES, три нижние оценки страниц (кэш app.xml недостоверен — реальный кейс <Pages>1</Pages> при 110 маркерах lastRenderedPageBreak); lightweight zip/StAX-путь. - convert(Path,Path): неполный PDF удаляется при отказе, но только если поток вывода реально открылся (чужой read-only файл не стирается); checkPageCount внутри try — finally чистит temp-файлы шрифтов. - lightweight: continuous-секции не считаются страницами; w:type — дочерний элемент, классификация на закрытии sectPr; мёртвый атрибутный перегруз startsNewPage удалён. - Фикстуры too-many-pages.docx (151 страница) и stale-cache.docx (кэш 1 при 110 маркерах) + регрессии tooManyPages, staleCachePageCountRejectedBeforeRender, inputTooLarge, oversizedInputReturnsError, pageCount_continuousSectionsNotCountedLightweight. - SampleDocxGenerator: точный поиск <w:t (не матчить <w:tbl/<w:tc), константа STALE_CACHE_UNMARKED_RUNS вместо литерала. - AGENTS.md переписан; .gitignore += /diff/ и /word-export.*. mvn clean verify: 95/95; fat-jar проверен java -jar (код 0/2, артефактов нет).
This commit is contained in:
@@ -18,10 +18,10 @@ import ru.pjandro.wordpdf.internal.FopFallbackFonts;
|
||||
import ru.pjandro.wordpdf.internal.SymbolFontNormalizer;
|
||||
|
||||
import java.io.ByteArrayInputStream;
|
||||
import java.io.IOException;
|
||||
import java.io.OutputStream;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.Locale;
|
||||
|
||||
/**
|
||||
* Конвертер docx -> PDF на базе docx4j + Apache FOP
|
||||
@@ -56,10 +56,12 @@ public final class WordPdfConverter {
|
||||
*
|
||||
* @param docxIn входной .docx
|
||||
* @return путь к созданному PDF
|
||||
* @throws ConversionException при ошибке (не .docx, файл не найден и т.п.)
|
||||
* @throws ConversionException при ошибке (не .docx, файл не найден,
|
||||
* размер больше {@link WordPdfValidator#MAX_INPUT_BYTES},
|
||||
* результат длиннее {@link WordPdfValidator#MAX_PAGES} страниц и т.п.)
|
||||
*/
|
||||
public static Path convert(Path docxIn) throws ConversionException {
|
||||
validateInput(docxIn);
|
||||
WordPdfValidator.checkInput(docxIn);
|
||||
String name = docxIn.getFileName().toString();
|
||||
int dot = name.lastIndexOf('.');
|
||||
String base = dot > 0 ? name.substring(0, dot) : name;
|
||||
@@ -72,17 +74,38 @@ public final class WordPdfConverter {
|
||||
* Конвертирует {@code docxIn} в {@code pdfOut}.
|
||||
* Родительские каталоги {@code pdfOut} при необходимости создаются.
|
||||
*
|
||||
* <p>Число страниц проверяется по самому .docx (см.
|
||||
* {@link WordPdfValidator#checkPageCount}) до рендеринга — при
|
||||
* превышении лимита PDF не создаётся.
|
||||
*
|
||||
* @throws ConversionException при ошибке
|
||||
*/
|
||||
public static void convert(Path docxIn, Path pdfOut) throws ConversionException {
|
||||
validateInput(docxIn);
|
||||
WordPdfValidator.checkInput(docxIn);
|
||||
try {
|
||||
Path parent = pdfOut.toAbsolutePath().getParent();
|
||||
if (parent != null) {
|
||||
Files.createDirectories(parent);
|
||||
}
|
||||
boolean opened = false;
|
||||
try (OutputStream os = Files.newOutputStream(pdfOut)) {
|
||||
opened = true;
|
||||
convertToStream(docxIn, os);
|
||||
} catch (Exception e) {
|
||||
// валидация числа страниц срабатывает уже внутри
|
||||
// convertToStream — пустой/неполный PDF убирать, чтобы
|
||||
// отказ не оставлял артефакт рядом со входом. Удаляем
|
||||
// только если поток реально открылся: при неудачном
|
||||
// открытии (read-only/locked цель) ничего не писали и
|
||||
// чужой файл трогать нельзя
|
||||
if (opened) {
|
||||
try {
|
||||
Files.deleteIfExists(pdfOut);
|
||||
} catch (IOException ignored) {
|
||||
// вторичная ошибка не должна затенять основную
|
||||
}
|
||||
}
|
||||
throw e;
|
||||
}
|
||||
} catch (ConversionException e) {
|
||||
throw e;
|
||||
@@ -123,6 +146,12 @@ public final class WordPdfConverter {
|
||||
WordprocessingMLPackage pkg = WordprocessingMLPackage.load(
|
||||
new ByteArrayInputStream(docxBytes));
|
||||
try {
|
||||
// 2.5 Проверка числа страниц по самому .docx: кэш Word
|
||||
// (docProps/app.xml <Pages>) или нижняя оценка по явным
|
||||
// разрывам. Делается до рендера, чтобы не тратить время на
|
||||
// заведомо длинный документ; внутри try — чтобы и на отказе
|
||||
// отработал finally с чисткой temp-файлов встроенных шрифтов.
|
||||
WordPdfValidator.checkPageCount(pkg);
|
||||
// 3. Привязка маппера: docx4j сопоставляет шрифты документа
|
||||
// с физическими TTF (учитывая и шрифты, встроенные в docx)
|
||||
pkg.setFontMapper(mapper);
|
||||
@@ -158,21 +187,6 @@ public final class WordPdfConverter {
|
||||
}
|
||||
}
|
||||
|
||||
/** Проверяет входной файл: существует, это .docx (не .doc). */
|
||||
private static void validateInput(Path docxIn) throws ConversionException {
|
||||
if (docxIn == null) {
|
||||
throw new ConversionException("Не указан входной файл");
|
||||
}
|
||||
if (!Files.isRegularFile(docxIn)) {
|
||||
throw new ConversionException("Файл не найден: " + docxIn);
|
||||
}
|
||||
String name = docxIn.getFileName().toString().toLowerCase(Locale.ROOT);
|
||||
if (!name.endsWith(".docx")) {
|
||||
throw new ConversionException(
|
||||
"Поддерживается только .docx (без .doc): " + docxIn);
|
||||
}
|
||||
}
|
||||
|
||||
/** Имя файла без расширения (для PDF-заголовка). */
|
||||
private static String baseName(Path p) {
|
||||
String name = p.getFileName().toString();
|
||||
|
||||
@@ -0,0 +1,573 @@
|
||||
package ru.pjandro.wordpdf;
|
||||
|
||||
import org.docx4j.openpackaging.packages.WordprocessingMLPackage;
|
||||
import org.docx4j.wml.Br;
|
||||
import org.docx4j.wml.ContentAccessor;
|
||||
import org.docx4j.wml.P;
|
||||
import org.docx4j.wml.R;
|
||||
import org.docx4j.wml.SectPr;
|
||||
import org.docx4j.wml.STBrType;
|
||||
|
||||
import jakarta.xml.bind.JAXBElement;
|
||||
|
||||
import javax.xml.stream.XMLInputFactory;
|
||||
import javax.xml.stream.XMLStreamException;
|
||||
import javax.xml.stream.XMLStreamReader;
|
||||
import java.io.ByteArrayInputStream;
|
||||
import java.io.IOException;
|
||||
import java.io.InputStream;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.ArrayDeque;
|
||||
import java.util.ArrayList;
|
||||
import java.util.Deque;
|
||||
import java.util.List;
|
||||
import java.util.Locale;
|
||||
import java.util.zip.ZipEntry;
|
||||
import java.util.zip.ZipFile;
|
||||
import java.util.zip.ZipInputStream;
|
||||
|
||||
/**
|
||||
* Валидатор ограничений на входной .docx:
|
||||
* размер файла и число страниц.
|
||||
*
|
||||
* <p>Конвертер {@link WordPdfConverter} вызывает валидатор автоматически,
|
||||
* но им можно пользоваться и напрямую — например, проверить байты
|
||||
* документа, полученного из сети или БД, до того, как сохранять во временный
|
||||
* файл и вызывать {@code convert}.
|
||||
*
|
||||
* <p>Лимиты:
|
||||
* <ul>
|
||||
* <li>{@link #MAX_INPUT_BYTES} — максимальный размер входного .docx (5 MiB);</li>
|
||||
* <li>{@link #MAX_PAGES} — максимально допустимое число страниц (100).</li>
|
||||
* </ul>
|
||||
*
|
||||
* <p>Число страниц берётся из самого .docx как максимум трёх нижних
|
||||
* оценок: кэша Word в {@code docProps/app.xml} ({@code <Pages>}),
|
||||
* явных разрывов страниц ({@code w:br type="page"},
|
||||
* {@code w:pageBreakBefore}, межсекционные {@code w:sectPr}) и маркеров
|
||||
* {@code w:lastRenderedPageBreak} — границ страниц, которые Word записал
|
||||
* при последнем рендере. Кэш сам по себе недостоверен: Word может
|
||||
* сохранить {@code <Pages>1</Pages>} в документе на 110 страниц
|
||||
* (регрессия — фикстура {@code samples/stale-cache.docx}).
|
||||
*
|
||||
* <p>Проверка делается <b>до</b> рендера — это позволяет отсекать слишком
|
||||
* длинные документы, не тратя время на конвертацию.
|
||||
*
|
||||
* <p>Все ошибки — {@link ConversionException}.
|
||||
*/
|
||||
public final class WordPdfValidator {
|
||||
|
||||
/** 5 MiB = 5 × 1024 × 1024. */
|
||||
public static final long MAX_INPUT_BYTES = 5L * 1024 * 1024;
|
||||
|
||||
/** Документ длиннее — ошибка. */
|
||||
public static final int MAX_PAGES = 100;
|
||||
|
||||
private WordPdfValidator() {
|
||||
}
|
||||
|
||||
/**
|
||||
* Проверяет входной файл: существует, это .docx, размер не превышает
|
||||
* {@link #MAX_INPUT_BYTES}.
|
||||
*
|
||||
* @throws ConversionException при любом нарушении
|
||||
*/
|
||||
public static void checkInput(Path docxIn) throws ConversionException {
|
||||
if (docxIn == null) {
|
||||
throw new ConversionException("Не указан входной файл");
|
||||
}
|
||||
if (!Files.isRegularFile(docxIn)) {
|
||||
throw new ConversionException("Файл не найден: " + docxIn);
|
||||
}
|
||||
String name = docxIn.getFileName().toString().toLowerCase(Locale.ROOT);
|
||||
if (!name.endsWith(".docx")) {
|
||||
throw new ConversionException(
|
||||
"Поддерживается только .docx (без .doc): " + docxIn);
|
||||
}
|
||||
long size;
|
||||
try {
|
||||
size = Files.size(docxIn);
|
||||
} catch (IOException e) {
|
||||
throw new ConversionException("Не удалось прочитать размер файла: " + docxIn, e);
|
||||
}
|
||||
if (size > MAX_INPUT_BYTES) {
|
||||
throw new ConversionException("Файл больше 5 МБ: " + size
|
||||
+ " байт > " + MAX_INPUT_BYTES + " байт (" + docxIn + ")");
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Проверяет размер байтов входа (для документа, полученного из сети/БД).
|
||||
*
|
||||
* @throws ConversionException при {@code null} или превышении лимита
|
||||
*/
|
||||
public static void checkInput(byte[] docxBytes) throws ConversionException {
|
||||
if (docxBytes == null) {
|
||||
throw new ConversionException("Не указаны байты входного файла");
|
||||
}
|
||||
if (docxBytes.length > MAX_INPUT_BYTES) {
|
||||
throw new ConversionException("Файл больше 5 МБ: " + docxBytes.length
|
||||
+ " байт > " + MAX_INPUT_BYTES + " байт");
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Считает страницы .docx и проверяет лимит.
|
||||
*
|
||||
* @throws ConversionException при ошибке загрузки или превышении {@link #MAX_PAGES}
|
||||
*/
|
||||
public static void checkPageCount(Path docxIn) throws ConversionException {
|
||||
if (docxIn == null) {
|
||||
throw new ConversionException("Не указан путь к .docx");
|
||||
}
|
||||
WordprocessingMLPackage pkg;
|
||||
try {
|
||||
pkg = WordprocessingMLPackage.load(docxIn.toFile());
|
||||
} catch (Exception e) {
|
||||
throw new ConversionException("Не удалось загрузить .docx: " + docxIn, e);
|
||||
}
|
||||
checkPageCount(pkg);
|
||||
}
|
||||
|
||||
/**
|
||||
* Проверяет число страниц без загрузки документа в docx4j: .docx
|
||||
* читается как zip напрямую (StAX по {@code word/document.xml},
|
||||
* всем {@code word/header*.xml}, {@code word/footer*.xml} и кэшу
|
||||
* {@code docProps/app.xml}). Дешёвый путь для проверки байтов из
|
||||
* сети/БД до любой работы с библиотекой.
|
||||
*
|
||||
* <p>Оценка согласована с {@link #checkPageCount(WordprocessingMLPackage)}
|
||||
* по всем источникам; на границе лимита оба пути дают одинаковый ответ
|
||||
* (регрессия — {@code checkPageCountLightweight_agreesWithJaxbPath},
|
||||
* включая 99/100/101 разрывов). Lightweight-путь дополнительно считает
|
||||
* разрывы в колонтитулах — он консервативнее, расхождение возможно
|
||||
* только в сторону завышения.
|
||||
*
|
||||
* @throws ConversionException при {@code null}, битом zip или превышении {@link #MAX_PAGES}
|
||||
*/
|
||||
public static void checkPageCountLightweight(Path docxIn) throws ConversionException {
|
||||
if (docxIn == null) {
|
||||
throw new ConversionException("Не указан путь к .docx");
|
||||
}
|
||||
if (!Files.isRegularFile(docxIn)) {
|
||||
throw new ConversionException("Файл не найден: " + docxIn);
|
||||
}
|
||||
int pages;
|
||||
try (ZipFile zip = new ZipFile(docxIn.toFile())) {
|
||||
List<String> headerFooter = new ArrayList<>();
|
||||
var entries = zip.entries();
|
||||
while (entries.hasMoreElements()) {
|
||||
String n = entries.nextElement().getName();
|
||||
if (isHeaderFooterPart(n)) {
|
||||
headerFooter.add(n);
|
||||
}
|
||||
}
|
||||
pages = pageCountOfZip(name -> {
|
||||
ZipEntry e = zip.getEntry(name);
|
||||
return e == null ? null : zip.getInputStream(e);
|
||||
}, headerFooter);
|
||||
} catch (IOException | RuntimeException e) {
|
||||
throw new ConversionException("Не удалось разобрать .docx: " + docxIn, e);
|
||||
}
|
||||
if (pages > MAX_PAGES) {
|
||||
throw new ConversionException("Документ длиннее " + MAX_PAGES
|
||||
+ " страниц: получено не менее " + pages);
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* То же, что {@link #checkPageCountLightweight(Path)}, для байтов .docx.
|
||||
*
|
||||
* @throws ConversionException при {@code null}, битом zip или превышении лимита
|
||||
*/
|
||||
public static void checkPageCountLightweight(byte[] docxBytes) throws ConversionException {
|
||||
if (docxBytes == null) {
|
||||
throw new ConversionException("Не указаны байты входного .docx");
|
||||
}
|
||||
int pages;
|
||||
try (ZipInputStream zip = new ZipInputStream(new ByteArrayInputStream(docxBytes))) {
|
||||
java.util.Map<String, byte[]> parts = new java.util.HashMap<>();
|
||||
List<String> headerFooter = new ArrayList<>();
|
||||
ZipEntry entry;
|
||||
while ((entry = zip.getNextEntry()) != null) {
|
||||
String n = entry.getName();
|
||||
if (n.equals("docProps/app.xml") || n.equals("word/document.xml")
|
||||
|| isHeaderFooterPart(n)) {
|
||||
parts.put(n, zip.readAllBytes());
|
||||
if (isHeaderFooterPart(n)) {
|
||||
headerFooter.add(n);
|
||||
}
|
||||
}
|
||||
}
|
||||
pages = pageCountOfZip(name -> {
|
||||
byte[] b = parts.get(name);
|
||||
return b == null ? null : new ByteArrayInputStream(b);
|
||||
}, headerFooter);
|
||||
} catch (IOException | RuntimeException e) {
|
||||
throw new ConversionException("Не удалось разобрать байты .docx", e);
|
||||
}
|
||||
if (pages > MAX_PAGES) {
|
||||
throw new ConversionException("Документ длиннее " + MAX_PAGES
|
||||
+ " страниц: получено не менее " + pages);
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Считает страницы .docx в байтах и проверяет лимит.
|
||||
*
|
||||
* @throws ConversionException при {@code null}, ошибке загрузки или превышении лимита
|
||||
*/
|
||||
public static void checkPageCount(byte[] docxBytes) throws ConversionException {
|
||||
if (docxBytes == null) {
|
||||
throw new ConversionException("Не указаны байты входного .docx");
|
||||
}
|
||||
WordprocessingMLPackage pkg;
|
||||
try {
|
||||
pkg = WordprocessingMLPackage.load(new ByteArrayInputStream(docxBytes));
|
||||
} catch (Exception e) {
|
||||
throw new ConversionException("Не удалось разобрать байты .docx", e);
|
||||
}
|
||||
checkPageCount(pkg);
|
||||
}
|
||||
|
||||
/**
|
||||
* Считает страницы уже загруженного .docx и проверяет лимит.
|
||||
*
|
||||
* <p>Число страниц — максимум трёх нижних оценок:
|
||||
* <ol>
|
||||
* <li>Кэш Word в {@code docProps/app.xml} ({@code <Pages>}).
|
||||
* Сам по себе недостоверен: Word может сохранить устаревшее
|
||||
* значение (в регрессной фикстуре {@code stale-cache.docx}
|
||||
* кэш равен 1 при 110 границах страниц).</li>
|
||||
* <li>Явные разрывы: {@code w:br[@w:type='page']},
|
||||
* {@code w:pageBreakBefore} и {@code w:sectPr} прямо в
|
||||
* {@code w:body}. Абзацы ищутся не только прямо в {@code w:body},
|
||||
* но и внутри таблиц, контентных контролов {@code w:sdt}
|
||||
* (Word держит нумерацию именно в контентном контроле) и
|
||||
* прочего содержимого, реализующего {@link ContentAccessor}.</li>
|
||||
* <li>Маркеры {@code w:lastRenderedPageBreak} — границы страниц,
|
||||
* которые Word записал при последнем рендере. Единственный
|
||||
* источник оценки для документов без явных разрывов, порванных
|
||||
* по заполнению.</li>
|
||||
* </ol>
|
||||
*
|
||||
* <p>Оценка остаётся нижней: документ без явных разрывов и без
|
||||
* маркеров (никогда не открывался в Word) оценивается в 1 страницу
|
||||
* независимо от фактической длины — такие документы лимит не отсекают.
|
||||
*
|
||||
* @throws ConversionException при превышении {@link #MAX_PAGES}
|
||||
*/
|
||||
public static void checkPageCount(WordprocessingMLPackage pkg) throws ConversionException {
|
||||
if (pkg == null) {
|
||||
throw new ConversionException("Не указан загруженный .docx");
|
||||
}
|
||||
int pages = pageCountOf(pkg);
|
||||
if (pages > MAX_PAGES) {
|
||||
throw new ConversionException("Документ длиннее " + MAX_PAGES
|
||||
+ " страниц: получено не менее " + pages);
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Возвращает число страниц: максимум кэша {@code <Pages>}, оценки по
|
||||
* явным разрывам и оценки по {@code w:lastRenderedPageBreak}.
|
||||
* Виден только из тестов и пакета.
|
||||
*/
|
||||
static int pageCountOf(WordprocessingMLPackage pkg) {
|
||||
int cached = 0;
|
||||
try {
|
||||
if (pkg.getDocPropsExtendedPart() != null) {
|
||||
org.docx4j.docProps.extended.Properties ext =
|
||||
pkg.getDocPropsExtendedPart().getContents();
|
||||
if (ext != null && ext.getPages() != null && ext.getPages() > 0) {
|
||||
cached = ext.getPages();
|
||||
}
|
||||
}
|
||||
} catch (Exception ignored) {
|
||||
// docPropsExtended может быть не полностью инициализирован —
|
||||
// тогда остаётся оценка по разрывам.
|
||||
}
|
||||
var body = pkg.getMainDocumentPart().getJaxbElement().getBody();
|
||||
var content = body.getContent();
|
||||
int explicit = 1; // сам документ — минимум одна страница
|
||||
for (Object child : content) {
|
||||
// В JAXB-модели в body.getContent() лежат только межсекционные
|
||||
// sectPr; финальная секция — в body.getSectPr(), её здесь нет.
|
||||
if (child instanceof SectPr sect && startsNewPage(sect)) {
|
||||
explicit++;
|
||||
}
|
||||
}
|
||||
explicit += walkForPageBreaks(content);
|
||||
int lastRendered = countLastRendered(content);
|
||||
return Math.max(Math.max(cached, explicit), lastRendered + 1);
|
||||
}
|
||||
|
||||
/**
|
||||
* Обход содержимого на явные разрывы: абзацы ищутся рекурсивно —
|
||||
* прямо в {@code w:body}, в ячейках таблиц, в контентных контролах
|
||||
* {@code w:sdt} и прочем содержимом, реализующем {@link ContentAccessor}.
|
||||
* Элементы модели приходят и напрямую, и обёрнутыми в
|
||||
* {@link JAXBElement} (например {@code w:tbl} в {@code w:body}) —
|
||||
* обёртка раскрывается через {@link #unwrap}.
|
||||
* Считаются {@code w:br type="page"} и {@code pageBreakBefore}
|
||||
* (по одному на абзац), как и в lightweight-пути.
|
||||
*/
|
||||
private static int walkForPageBreaks(List<?> content) {
|
||||
int count = 0;
|
||||
for (Object raw : content) {
|
||||
Object item = unwrap(raw);
|
||||
if (item instanceof P p) {
|
||||
if (p.getPPr() != null
|
||||
&& p.getPPr().getPageBreakBefore() != null
|
||||
&& p.getPPr().getPageBreakBefore().isVal()) {
|
||||
count++;
|
||||
}
|
||||
for (Object runChild : p.getContent()) {
|
||||
if (unwrap(runChild) instanceof org.docx4j.wml.R r) {
|
||||
for (Object innerRaw : r.getContent()) {
|
||||
if (unwrap(innerRaw) instanceof Br br
|
||||
&& br.getType() == STBrType.PAGE) {
|
||||
count++;
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
} else if (item instanceof ContentAccessor ca) {
|
||||
// w:tbl / w:tr / w:tc / w:sdt / w:sdtContent и т.п.
|
||||
count += walkForPageBreaks(ca.getContent());
|
||||
}
|
||||
}
|
||||
return count;
|
||||
}
|
||||
|
||||
/** Подсчёт маркеров {@code w:lastRenderedPageBreak} в содержимом. */
|
||||
private static int countLastRendered(List<?> content) {
|
||||
int count = 0;
|
||||
for (Object raw : content) {
|
||||
Object item = unwrap(raw);
|
||||
if (item instanceof R.LastRenderedPageBreak) {
|
||||
count++;
|
||||
} else if (item instanceof ContentAccessor ca) {
|
||||
count += countLastRendered(ca.getContent());
|
||||
}
|
||||
}
|
||||
return count;
|
||||
}
|
||||
|
||||
/** Раскрывает обёртку {@link JAXBElement} (docx4j так отдаёт tbl и часть содержимого). */
|
||||
private static Object unwrap(Object item) {
|
||||
return item instanceof JAXBElement<?> je ? je.getValue() : item;
|
||||
}
|
||||
|
||||
/** Секция, начинающая новую страницу (continuous — нет). */
|
||||
private static boolean startsNewPage(SectPr sect) {
|
||||
return sect.getType() == null
|
||||
|| sect.getType().getVal() == null
|
||||
|| !sect.getType().getVal().equals("continuous");
|
||||
}
|
||||
|
||||
/** Поставщик потока по имени части zip; null — части нет. */
|
||||
private interface PartStream {
|
||||
InputStream open(String name) throws IOException;
|
||||
}
|
||||
|
||||
/** {@code word/headerN.xml} / {@code word/footerN.xml} (не .rels). */
|
||||
private static boolean isHeaderFooterPart(String name) {
|
||||
return (name.startsWith("word/header") || name.startsWith("word/footer"))
|
||||
&& name.endsWith(".xml");
|
||||
}
|
||||
|
||||
/**
|
||||
* Лёгкий расчёт числа страниц прямо по zip-пакету .docx, без docx4j.
|
||||
* Та же логика, что у {@link #pageCountOf(WordprocessingMLPackage)}:
|
||||
* максимум кэша {@code docProps/app.xml <Pages>}, явных разрывов и
|
||||
* {@code w:lastRenderedPageBreak}. Считаются все колонтитулы
|
||||
* ({@code word/header*.xml}, {@code word/footer*.xml}) — там Word тоже
|
||||
* держит {@code w:br type="page"}.
|
||||
*/
|
||||
private static int pageCountOfZip(PartStream parts, List<String> headerFooterParts)
|
||||
throws IOException {
|
||||
int cached = cachedPageCount(parts.open("docProps/app.xml"));
|
||||
BreakScan scan = scanDocument(parts.open("word/document.xml"));
|
||||
int explicit = 1 + scan.breaks(); // сам документ — минимум одна страница
|
||||
for (String part : headerFooterParts) {
|
||||
explicit += countBreaksInFlat(parts.open(part));
|
||||
}
|
||||
return Math.max(Math.max(cached, explicit), scan.lastRendered() + 1);
|
||||
}
|
||||
|
||||
/** Результат разбора word/document.xml: явные разрывы и маркеры. */
|
||||
private record BreakScan(int breaks, int lastRendered) {
|
||||
}
|
||||
|
||||
/** Кэш Word <Pages> из docProps/app.xml; 0 — части/значения нет. */
|
||||
private static int cachedPageCount(InputStream in) throws IOException {
|
||||
if (in == null) {
|
||||
return 0;
|
||||
}
|
||||
try {
|
||||
XMLStreamReader xr = newSecureReader().createXMLStreamReader(in);
|
||||
while (xr.hasNext()) {
|
||||
if (xr.next() == XMLStreamReader.START_ELEMENT
|
||||
&& xr.getLocalName().equals("Pages")) {
|
||||
String text = xr.getElementText().trim();
|
||||
return Math.max(0, Integer.parseInt(text));
|
||||
}
|
||||
}
|
||||
return 0;
|
||||
} catch (XMLStreamException | NumberFormatException e) {
|
||||
return 0;
|
||||
} finally {
|
||||
in.close();
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Нижняя оценка по {@code word/document.xml}: {@code w:br type="page"},
|
||||
* {@code w:pageBreakBefore}, {@code w:sectPr} прямо в {@code body} и
|
||||
* маркеры {@code w:lastRenderedPageBreak}. Обход плоский (StAX),
|
||||
* вложенность не нужна — считаем события.
|
||||
*
|
||||
* <p>Согласованность с JAXB-путём:
|
||||
* <ul>
|
||||
* <li>{@code sectPr} внутри {@code pPr} не считается: в StAX-виде
|
||||
* там и финальная секция, и межсекционные — неразличимы, а
|
||||
* JAXB-путь их не видит (в {@code body.getContent()} лежат только
|
||||
* межсекционные). Такие документы покрываются кэшем
|
||||
* {@code <Pages>} и маркерами {@code lastRenderedPageBreak};</li>
|
||||
* <li>{@code sectPr} прямо в {@code body}: в StAX-виде их на один
|
||||
* больше, чем в JAXB-виде (финальная секция — это JAXB
|
||||
* {@code body.getSectPr()}, вне {@code getContent()}), поэтому
|
||||
* последнюю не считаем, а среди остальных считаем только
|
||||
* начинающие новую страницу;</li>
|
||||
* <li>непрерывные секции ({@code type="continuous"}) не считаются —
|
||||
* ровно как в JAXB-пути, где их отсекает {@code startsNewPage}.</li>
|
||||
* </ul>
|
||||
*/
|
||||
private static BreakScan scanDocument(InputStream in) throws IOException {
|
||||
if (in == null) {
|
||||
return new BreakScan(0, 0);
|
||||
}
|
||||
int breaks = 0;
|
||||
int lastRendered = 0;
|
||||
int bodyDirectSectPr = 0;
|
||||
// w:type — ДОЧЕРНИЙ элемент (<w:type w:val="continuous"/>), а не
|
||||
// атрибут sectPr, поэтому body-direct секция классифицируется на
|
||||
// её закрытии; последняя body-direct — финальная секция, не
|
||||
// считается, так что при закрытии новой секции считаем предыдущую
|
||||
boolean inBodySectPr = false;
|
||||
String sectTypeVal = null;
|
||||
boolean pendingNewPageSection = false;
|
||||
try {
|
||||
XMLStreamReader xr = newSecureReader().createXMLStreamReader(in);
|
||||
// стек имён START_ELEMENT: «внутри ли w:p/w:pPr/sectPr» и
|
||||
// родитель текущего элемента (для sectPr).
|
||||
Deque<String> path = new ArrayDeque<>();
|
||||
while (xr.hasNext()) {
|
||||
int ev = xr.next();
|
||||
if (ev == XMLStreamReader.START_ELEMENT) {
|
||||
String name = xr.getLocalName();
|
||||
String parent = path.peek();
|
||||
path.push(name);
|
||||
switch (name) {
|
||||
case "br" -> {
|
||||
if (isPageBreak(xr) && inside(path, "p")) {
|
||||
breaks++;
|
||||
}
|
||||
}
|
||||
case "lastRenderedPageBreak" -> {
|
||||
if (inside(path, "p")) {
|
||||
lastRendered++;
|
||||
}
|
||||
}
|
||||
case "pageBreakBefore" -> {
|
||||
if (truthy(xr) && inside(path, "pPr") && !inside(path, "sectPr")) {
|
||||
breaks++;
|
||||
}
|
||||
}
|
||||
case "sectPr" -> {
|
||||
if ("body".equals(parent)) {
|
||||
inBodySectPr = true;
|
||||
sectTypeVal = null;
|
||||
}
|
||||
// sectPr внутри pPr — не считаем (StAX не
|
||||
// различает финальную и межсекционные)
|
||||
}
|
||||
case "type" -> {
|
||||
if (inBodySectPr && "sectPr".equals(parent)) {
|
||||
sectTypeVal = xr.getAttributeValue(WML_NS, "val");
|
||||
}
|
||||
}
|
||||
default -> {
|
||||
}
|
||||
}
|
||||
} else if (ev == XMLStreamReader.END_ELEMENT) {
|
||||
if ("sectPr".equals(xr.getLocalName()) && inBodySectPr) {
|
||||
if (pendingNewPageSection) {
|
||||
bodyDirectSectPr++;
|
||||
}
|
||||
pendingNewPageSection =
|
||||
!"continuous".equals(sectTypeVal);
|
||||
inBodySectPr = false;
|
||||
}
|
||||
if (!path.isEmpty()) {
|
||||
path.pop();
|
||||
}
|
||||
}
|
||||
}
|
||||
} catch (XMLStreamException e) {
|
||||
throw new IOException("Некорректный XML в word/document.xml", e);
|
||||
} finally {
|
||||
in.close();
|
||||
}
|
||||
// последняя body-direct секция не внесена — это финальная секция
|
||||
breaks += bodyDirectSectPr;
|
||||
return new BreakScan(breaks, lastRendered);
|
||||
}
|
||||
|
||||
/** Оценка по колонтитулам: только {@code w:br type="page"} (там нет body/sectPr). */
|
||||
private static int countBreaksInFlat(InputStream in) throws IOException {
|
||||
if (in == null) {
|
||||
return 0;
|
||||
}
|
||||
int count = 0;
|
||||
try {
|
||||
XMLStreamReader xr = newSecureReader().createXMLStreamReader(in);
|
||||
while (xr.hasNext()) {
|
||||
if (xr.next() == XMLStreamReader.START_ELEMENT
|
||||
&& xr.getLocalName().equals("br") && isPageBreak(xr)) {
|
||||
count++;
|
||||
}
|
||||
}
|
||||
} catch (XMLStreamException e) {
|
||||
throw new IOException("Некорректный XML в колонтитуле", e);
|
||||
} finally {
|
||||
in.close();
|
||||
}
|
||||
return count;
|
||||
}
|
||||
|
||||
private static XMLInputFactory newSecureReader() {
|
||||
XMLInputFactory f = XMLInputFactory.newInstance();
|
||||
f.setProperty(XMLInputFactory.SUPPORT_DTD, false);
|
||||
f.setProperty(XMLInputFactory.IS_SUPPORTING_EXTERNAL_ENTITIES, false);
|
||||
return f;
|
||||
}
|
||||
|
||||
private static boolean isPageBreak(XMLStreamReader xr) {
|
||||
return "page".equals(xr.getAttributeValue(WML_NS, "type"));
|
||||
}
|
||||
|
||||
private static boolean truthy(XMLStreamReader xr) {
|
||||
String v = xr.getAttributeValue(WML_NS, "val");
|
||||
return v == null || v.equals("true") || v.equals("1") || v.equals("on");
|
||||
}
|
||||
|
||||
private static boolean inside(Deque<String> path, String ancestor) {
|
||||
return path.contains(ancestor);
|
||||
}
|
||||
|
||||
private static final String WML_NS =
|
||||
"http://schemas.openxmlformats.org/wordprocessingml/2006/main";
|
||||
}
|
||||
Reference in New Issue
Block a user