feat(core): OLE-вычистка сохраняет картинку-плейсхолдер (ECMA-376 §15.2.10)
PR checks / web (pull_request) Successful in 44s
PR checks / java (pull_request) Successful in 1m0s
Main: tests, deploy, autotests / web (push) Successful in 40s
Main: tests, deploy, autotests / java (push) Successful in 58s
Main: tests, deploy, autotests / images-app (push) Successful in 51s
Main: tests, deploy, autotests / images-web (push) Successful in 1m11s
Main: tests, deploy, autotests / deploy (push) Successful in 1m30s
Main: tests, deploy, autotests / autotests (push) Successful in 46s
Main: tests, deploy, autotests / rollback (push) Has been skipped

w:object больше не выбрасывается целиком: w:drawing переиспользуется
дословно, v:imagedata r:id заменяется inline-DrawingML на ту же image-часть
(размер из style v:shape, иначе w:dxaOrig/w:dyaOrig); блоки w:control и без
плейсхолдера удаляются. Находка OLE — также разметка w:object без bin-части
(иначе NPE chunkType is null доходит до docx4j). oleObject-rels удаляются по
типу, включая TargetMode=External. Фикстура ole-embedded: битый рукописный
fallback.png (IDAT length 13 при 16 байтах) заменён на валидный — FOP падал
PNGImageDecoder. OLE-бинарники по-прежнему никогда не читаются.
This commit was merged in pull request #58.
This commit is contained in:
Pjandro
2026-10-26 10:50:20 +00:00
parent 89e76be289
commit c67786151c
6 changed files with 530 additions and 32 deletions
@@ -6,7 +6,8 @@ package ru.pjandro.wordpdf;
* ({@link ConvertOptions#errorOnCharts()}, {@link ConvertOptions#errorOnSmartArt()},
* {@link ConvertOptions#errorOnOle()}).
* Диаграммы/SmartArt конвертируются всегда; OLE-объекты при выключенном
* {@code errorOnOle} тихо удаляются из документа (в отличие от них).
* {@code errorOnOle} теряют свои данные, но сохраняют картинку-плейсхолдер
* (в отличие от них).
* Исключение отвергает документ целиком.
*
* <p>Наследник {@link ConversionException} — наружу по-прежнему ловится
@@ -22,7 +22,8 @@ import java.util.zip.ZipInputStream;
import java.util.zip.ZipOutputStream;
/**
* Удаление OLE-объектов из docx перед загрузкой docx4j.
* Вычистка OLE-объектов из docx перед загрузкой docx4j — со сохранением
* статичного представления.
*
* <p>docx4j падает на документах с внедрёнными OLE-объектами двумя путями:
* (1) продюсер файла пишет ложный content type для бинарной части
@@ -33,19 +34,29 @@ import java.util.zip.ZipOutputStream;
* {@code chunkType is null} даже при честном типе
* {@code application/vnd.openxmlformats-officedocument.oleObject}.
* Лечится одинаково: OLE-части, ссылки на них и элементы {@code w:object}
* удаляются из контейнера — документ конвертируется без объектов.</p>
* удаляются из контейнера. При этом {@code w:object} НЕ выбрасывается целиком:
* по ECMA-376 §15.2.10 у каждого внедрённого объекта обязан быть «associated
* image, which appears in the document as a placeholder» — именно его показывает
* Word вместо объекта, — поэтому {@code w:object} заменяется его статичным
* представлением (картинкой-плейсхолдером, §17.3.3.3); без плейсхолдера блок
* удаляется. OLE-бинарники при этом никогда не читаются — байты только
* удаляются, так что содержимое объекта (вплоть до враждебного архива) на
* вывод не влияет.</p>
*
* <p>Отличие от остальных нормализаторов пакета: принимает флаг
* {@code errorOnOle} и умеет бросать {@link DrawingFoundException}
* (при включённом флаге документ отвергается вместо удаления), и правит
* (при включённом флаге документ отвергается вместо вычистки), и правит
* не только {@code word/*.xml}, но и {@code [Content_Types].xml} с
* {@code *.rels}. Хука {@code rewrite(String)} нет — нормализатор
* многочастный (решение об удалении зависит от связки content type + rels),
* тесты работают через {@link #normalize} на in-memory zip.</p>
*
* <p>Если OLE-объектов нет, возвращает исходный массив без переупаковки zip.
* Регрессия — WordPdfConverterTest#oleObjects_removedAndConverted,
* Регрессия — WordPdfConverterTest#oleObjects_removedAndConverted
* (плейсхолдер доезжает до PDF),
* WordPdfConverterTest#drawingErrors_errorFlagRejectsOle,
* OleObjectNormalizerTest#objectWithImagedata_placeholderKept,
* OleObjectNormalizerTest#objectWithoutImage_removed,
* фикстура samples/ole-embedded.docx.</p>
*/
public final class OleObjectNormalizer {
@@ -74,6 +85,49 @@ public final class OleObjectNormalizer {
/** Парный w:object (внутри VML-обёртка, роняющая экспорт) и самозакрытый. */
private static final Pattern W_OBJECT = Pattern.compile(
"<w:object\\b[^>]*>.*?</w:object>|<w:object\\b[^>]*/>", Pattern.DOTALL);
/** Первый w:drawing внутри блока w:object — готовая DrawingML-картинка (ветка mc:Choice). */
private static final Pattern W_DRAWING = Pattern.compile(
"<w:drawing\\b[^>]*>.*?</w:drawing>|<w:drawing\\b[^>]*/>", Pattern.DOTALL);
/** v:imagedata с r:id — ссылка на картинку-плейсхолдер (§15.2.10). */
private static final Pattern V_IMAGEDATA = Pattern.compile(
"<v:imagedata\\b[^>]*\\br:id=\"([^\"]*)\"[^>]*>");
/** style первого v:shape блока — источник размера плейсхолдера. */
private static final Pattern SHAPE_STYLE = Pattern.compile(
"<v:shape\\b[^>]*\\bstyle=\"([^\"]*)\"");
private static final Pattern STYLE_WIDTH = Pattern.compile(
"width\\s*:\\s*([0-9]+(?:\\.[0-9]+)?)\\s*(pt|in|cm|mm|pc|px|em)");
private static final Pattern STYLE_HEIGHT = Pattern.compile(
"height\\s*:\\s*([0-9]+(?:\\.[0-9]+)?)\\s*(pt|in|cm|mm|pc|px|em)");
/** Размер w:object в твиксах (§17.3.3.19 dxaOrig/dyaOrig), ×635 = EMU. */
private static final Pattern DXA_ORIG = Pattern.compile("\\bdxaOrig=\"([0-9]+)\"");
private static final Pattern DYA_ORIG = Pattern.compile("\\bdyaOrig=\"([0-9]+)\"");
/** Тип rels-ссылки на OLE-часть; External (связанные объекты) тоже. */
private static final Pattern OLE_OBJECT_REL = Pattern.compile(
"\\bType=\"[^\"]*/oleObject\"");
/**
* Замена `w:object` с VML-плейсхолдером: минимально валидный `CT_Inline`
* (extent + docPr + graphic) с `pic:pic` на ту же image-часть. Пространства
* `wp/a/pic/r` объявлены на самом `wp:inline` — документ-обёртка может их
* не объявлять (без DrawingML на корне нет `xmlns:pic`); `w:` объявлен на
* корне любого wordprocessingml-документа. Форма — как у
* `DrawingPreRenderer.swapForPicture` (тот JAXB-ный, здесь байтовый уровень).
*/
private static final String PLACEHOLDER =
"<w:drawing><wp:inline xmlns:wp=\"http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing\""
+ " xmlns:a=\"http://schemas.openxmlformats.org/drawingml/2006/main\""
+ " xmlns:pic=\"http://schemas.openxmlformats.org/drawingml/2006/picture\""
+ " xmlns:r=\"http://schemas.openxmlformats.org/officeDocument/2006/relationships\""
+ " distT=\"0\" distB=\"0\" distL=\"0\" distR=\"0\">"
+ "<wp:extent cx=\"{CX}\" cy=\"{CY}\"/>"
+ "<wp:docPr id=\"{ID}\" name=\"OLE placeholder\"/>"
+ "<a:graphic><a:graphicData uri=\"http://schemas.openxmlformats.org/drawingml/2006/picture\">"
+ "<pic:pic><pic:nvPicPr><pic:cNvPr id=\"{ID}\" name=\"OLE placeholder\"/><pic:cNvPicPr/></pic:nvPicPr>"
+ "<pic:blipFill><a:blip r:embed=\"{RID}\"/><a:stretch><a:fillRect/></a:stretch></pic:blipFill>"
+ "<pic:spPr><a:xfrm><a:off x=\"0\" y=\"0\"/><a:ext cx=\"{CX}\" cy=\"{CY}\"/></a:xfrm>"
+ "<a:prstGeom prst=\"rect\"><a:avLst/></a:prstGeom></pic:spPr></pic:pic>"
+ "</a:graphicData></a:graphic></wp:inline></w:drawing>";
/** Стартовый docPr/@id вставляемых плейсхолдеров — заведомо за пределами реальных id части. */
private static final int FIRST_DOC_PR_ID = 900000;
private static final Pattern PART_NAME_ATTR = Pattern.compile("\\bPartName=\"([^\"]*)\"");
private static final Logger LOG = Logger.getLogger(OleObjectNormalizer.class.getName());
@@ -82,14 +136,15 @@ public final class OleObjectNormalizer {
}
/**
* Удаляет из docx OLE-объекты: бинарные `.bin`-части с OLE-типом (или
* ложным XML-типом), ссылки на них в `*.rels`, элементы `w:object` в
* `word/*.xml` и `Override` удалённых частей в `[Content_Types].xml`.
* Вычистляет из docx OLE-объекты: бинарные `.bin`-части с OLE-типом (или
* ложным XML-типом), ссылки на них и oleObject-ссылки (включая External) в
* `*.rels`, `Override` удалённых частей в `[Content_Types].xml`; элементы
* `w:object` в `word/*.xml` заменяются их статичным представлением
* (плейсхолдером), а без плейсхолдера — удаляются.
*
* @param docx байты .docx (zip)
* @param errorOnOle true — не удалять, а отвергнуть документ
* @param errorOnOle true — не вычищать, а отвергнуть документ
* @return те же байты, если OLE-объектов нет; иначе переупакованный zip без OLE
* @throws DrawingFoundException при {@code errorOnOle} и найденном OLE-объекте
*/
public static byte[] normalize(byte[] docx, boolean errorOnOle) throws IOException {
Map<String, byte[]> entries = new LinkedHashMap<>();
@@ -108,18 +163,23 @@ public final class OleObjectNormalizer {
Map<String, String> overrides = overrideTypes(ctXml);
Set<String> oleParts = new HashSet<>();
boolean hasObjectMarkup = false;
for (Map.Entry<String, byte[]> e : entries.entrySet()) {
String name = e.getKey();
if (!name.endsWith(BIN_SUFFIX)) {
continue;
}
String type = effectiveType(name, overrides, defaults);
if (type != null && (OLE_OBJECT_TYPE.equalsIgnoreCase(type)
|| type.endsWith(XML_TYPE_SUFFIX))) {
oleParts.add(name);
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("<w:object")) {
// сам w:object — уже OLE: без bin-части он всё равно роняет docx4j
// (NPE chunkType is null) и обязан быть переписан
hasObjectMarkup = true;
}
}
if (oleParts.isEmpty()) {
if (oleParts.isEmpty() && !hasObjectMarkup) {
return docx;
}
if (errorOnOle) {
@@ -144,7 +204,7 @@ public final class OleObjectNormalizer {
data = fixed.getBytes(StandardCharsets.UTF_8);
}
} else if (name.startsWith("word/") && name.endsWith(".xml")) {
String fixed = stripObjects(
String fixed = rewriteObjects(
new String(data, StandardCharsets.UTF_8));
if (fixed != null) {
data = fixed.getBytes(StandardCharsets.UTF_8);
@@ -200,8 +260,10 @@ public final class OleObjectNormalizer {
}
/**
* Удаляет из `.rels` элементы Relationship, чей Target резолвится в
* удалённую часть. Внешние ссылки (TargetMode="External") не трогаем.
* Удаляет из `.rels` элементы Relationship типа oleObject (независимо от
* TargetMode — внешние ссылки связанных объектов после замены `w:object`
* осиротеют) и элементы, чей Target резолвится в удалённую часть.
* Прочие внешние ссылки (TargetMode="External") не трогаем.
*
* @return новая строка либо null, если удалять нечего
*/
@@ -218,6 +280,12 @@ public final class OleObjectNormalizer {
boolean changed = false;
while (m.find()) {
String rel = m.group();
if (OLE_OBJECT_REL.matcher(rel).find()) {
sb.append(relsXml, last, m.start());
last = m.end();
changed = true;
continue;
}
Matcher mode = TARGET_MODE_EXTERNAL.matcher(rel);
if (mode.find()) {
continue;
@@ -269,12 +337,18 @@ public final class OleObjectNormalizer {
}
/**
* Вырезает из word/*.xml элементы w:object (внутри — VML-обёртка,
* которая сама по себе роняет экспорт docx4j).
* Заменяет в word/*.xml каждый w:object его статичным представлением
* (плейсхолдером, ECMA-376 §15.2.10/§17.3.3.3): блок с `w:control`
* (ActiveX) удаляется целиком — property bag всё равно остаётся сиротой;
* блок с `w:drawing` (ветка mc:Choice) заменяется этим drawing дословно;
* блок с `v:imagedata r:id` заменяется inline-DrawingML на ту же
* image-часть; без картинки (или без вычислимого размера) блок удаляется.
* VML-обёртка внутри w:object сама по себе роняет экспорт docx4j, поэтому
* ни один блок не остаётся как есть.
*
* @return новая строка либо null, если совпадений не было
*/
private static String stripObjects(String xml) {
private static String rewriteObjects(String xml) {
if (xml.indexOf("<w:object") < 0) {
return null;
}
@@ -282,7 +356,84 @@ public final class OleObjectNormalizer {
if (!m.find()) {
return null;
}
return m.reset().replaceAll("");
StringBuilder sb = new StringBuilder(xml.length());
int docPrId = FIRST_DOC_PR_ID;
m.reset();
while (m.find()) {
String block = m.group();
String replacement;
Matcher drawing = W_DRAWING.matcher(block);
Matcher image = V_IMAGEDATA.matcher(block);
if (block.indexOf("<w:control") >= 0) {
replacement = "";
} else if (drawing.find()) {
replacement = drawing.group();
} else if (image.find()) {
long[] size = placeholderSize(block);
if (size.length == 0) {
replacement = "";
} else {
replacement = PLACEHOLDER
.replace("{RID}", image.group(1))
.replace("{CX}", Long.toString(size[0]))
.replace("{CY}", Long.toString(size[1]))
.replace("{ID}", Integer.toString(docPrId));
docPrId++;
}
} else {
replacement = "";
}
m.appendReplacement(sb, Matcher.quoteReplacement(replacement));
}
m.appendTail(sb);
return sb.toString();
}
/**
* Размер плейсхолдера в EMU: сначала `style` того же `v:shape`, затем
* `w:dxaOrig`/`w:dyaOrig` самого `w:object` (твиксы ×635, §17.3.3.19).
*
* @return {cx, cy} либо пустой массив, если размер вычислить не удалось
*/
private static long[] placeholderSize(String block) {
Matcher shape = SHAPE_STYLE.matcher(block);
if (shape.find()) {
String style = shape.group(1);
Matcher w = STYLE_WIDTH.matcher(style);
Matcher h = STYLE_HEIGHT.matcher(style);
if (w.find() && h.find()) {
long cx = toEmu(w);
long cy = toEmu(h);
if (cx > 0 && cy > 0) {
return new long[] {cx, cy};
}
}
}
Matcher dxa = DXA_ORIG.matcher(block);
Matcher dya = DYA_ORIG.matcher(block);
if (dxa.find() && dya.find()) {
long cx = Long.parseLong(dxa.group(1)) * 635;
long cy = Long.parseLong(dya.group(1)) * 635;
if (cx > 0 && cy > 0) {
return new long[] {cx, cy};
}
}
return new long[0];
}
/** CSS-размер из style v:shape → EMU (1pt = 12700 EMU). */
private static long toEmu(Matcher m) {
double value = Double.parseDouble(m.group(1));
long perUnit = switch (m.group(2)) {
case "in" -> 914_400L;
case "cm" -> 360_000L;
case "mm" -> 36_000L;
case "pc" -> 152_400L;
case "px" -> 9_525L;
case "em" -> 190_500L;
default -> 12_700L; // pt — единственная оставшаяся единица регулярки
};
return Math.round(value * perUnit);
}
/**