diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizer.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizer.java
index ffc731e..88f9956 100644
--- a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizer.java
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizer.java
@@ -30,8 +30,10 @@ import java.util.zip.ZipOutputStream;
* (в transitional они называются {@code w:left}/{@code w:right}) —
* JAXB сообщает «unexpected element» и границы теряются;
*
атрибуты {@code w:start}/{@code w:end} у {@code w:ind} и значения
- * {@code start}/{@code end} у {@code w:jc}/{@code w:tab} — в
- * transitional таких имён/значений нет, JAXB их отбрасывает.
+ * {@code start}/{@code end} у {@code w:jc}/{@code w:tab} — в strict-модели
+ * это единственные имена, а transitional-модель docx4j их не принимает
+ * (значения {@code w:tab} — и подавно: enum {@code STTabJc} в docx4j
+ * 17.3.2 содержит только left/right).
*
*
* Полный strict→transitional рерайт не делается: mc-preprocessor уже
@@ -45,9 +47,27 @@ import java.util.zip.ZipOutputStream;
* пропускается: там {@code w:lvl/w:start} — легитимный transitional-элемент
* (стартовое значение счётчика), регрессия — StrictOoxmlNormalizerTest.
*
- *
Transitional-документы (Word пишет {@code a:}-проценты целыми, {@code
- * w:start} вне numbering.xml и {@code w:jc val="start"} не бывает) проходят
- * без изменений: если правок не было, возвращается исходный массив.
+ *
Правила применяются с учётом направления документа (часть strict, только
+ * если содержит URI {@code http://purl.oclc.org}):
+ *
+ * - атрибуты {@code w:start}/{@code w:end} переименовываются только внутри
+ * открывающего тега и только когда в том же теге нет {@code w:left}/
+ * {@code w:right}: transitional {@code CT_Ind} допускает сосуществование
+ * (Word пишет обе пары), слепая глобальная замена порождала дубль
+ * атрибута — не well-formed XML (регрессия —
+ * StrictOoxmlNormalizerTest#indCoexistLeftStartUntouched,
+ * WordPdfConverterTest#indCoexistForms_convertsNotRejected);
+ * - элементы {@code w:start}/{@code w:end} переименовываются глобально
+ * только в strict-частях; в transitional — лишь внутри {@code w:tcMar}/
+ * {@code w:tblCellMar} и лишь при отсутствии одноимённого {@code w:left}/
+ * {@code w:right}-ребёнка (transitional-схема допускает обе пары детей,
+ * {@code maxOccurs=1} на left — дубль ломает JAXB);
+ * - значения {@code start}/{@code end} у {@code w:jc} правятся только в
+ * strict: transitional {@code JcEnumeration} docx4j их содержит, экспортёр
+ * пишет {@code fo:text-align} как есть, а FOP разрешает start/end по
+ * направлению абзаца (FO 1.1) — замена на left ломала RTL; значения
+ * {@code w:tab} правятся всегда (enum без start/end).
+ *
*
* Регрессия — WordPdfConverterTest#strictOoxml_convertsNotRejected.
*/
@@ -71,9 +91,27 @@ public final class StrictOoxmlNormalizer {
private static final Pattern START_ELEMENT = Pattern.compile("])");
private static final Pattern END_ELEMENT = Pattern.compile("])");
- /** Значения {@code start}/{@code end} у {@code w:jc}/{@code w:tab}. */
- private static final Pattern JC_TAB_VALUE = Pattern.compile(
- "(]*?w:val=\")(start|end)\"");
+ /** URI strict-пакета (ECMA-376 1-е изд.); его наличие в части — признак strict. */
+ private static final String STRICT_NS = "http://purl.oclc.org";
+
+ /** Открывающий тег любого элемента — носитель атрибутов для точечного рерайта. */
+ private static final Pattern OPEN_TAG = Pattern.compile("<[A-Za-z][A-Za-z0-9:]*\\b[^>]*>");
+
+ /**
+ * Блок {@code w:tcMar}/{@code w:tblCellMar}: единственное место transitional,
+ * где элементы {@code w:start}/{@code w:end} легальны (CT_TcMar допускает их
+ * наравне с {@code w:left}/{@code w:right}).
+ */
+ private static final Pattern MAR_BLOCK = Pattern.compile(
+ "<(w:tcMar|w:tblCellMar)\\b[^>]*>.*?\\1>", Pattern.DOTALL);
+
+ /** Значения {@code start}/{@code end} у {@code w:jc} (правятся только в strict). */
+ private static final Pattern JC_VALUE = Pattern.compile(
+ "(]*?w:val=\")(start|end)\"");
+
+ /** Значения {@code start}/{@code end} у {@code w:tab} (правятся всегда). */
+ private static final Pattern TAB_VALUE = Pattern.compile(
+ "(]*?w:val=\")(start|end)\"");
private StrictOoxmlNormalizer() {
}
@@ -99,9 +137,11 @@ public final class StrictOoxmlNormalizer {
String name = entry.getName();
if (name.startsWith("word/") && name.endsWith(".xml")) {
// в numbering.xml w:start — элемент стартового значения
- // счётчика, его не переименовываем
- String fixed = rewrite(new String(data, StandardCharsets.UTF_8),
- !"word/numbering.xml".equals(name));
+ // счётчика, его не переименовываем; направление части — по
+ // наличию strict-URI (transitional-правила мягче)
+ String xml = new String(data, StandardCharsets.UTF_8);
+ String fixed = rewrite(xml, !"word/numbering.xml".equals(name),
+ xml.contains(STRICT_NS));
if (fixed != null) {
changed = true;
data = fixed.getBytes(StandardCharsets.UTF_8);
@@ -116,43 +156,122 @@ public final class StrictOoxmlNormalizer {
}
/**
- * Применяет к XML-строке все правила, включая переименование элементов
- * {@code w:start}/{@code w:end}.
+ * Применяет к XML-строке все правила в strict-режиме, включая переименование
+ * элементов {@code w:start}/{@code w:end} (хук юнит-тестов).
*
* @return новая строка либо null, если правок не было
*/
static String rewrite(String xml) {
- return rewrite(xml, true);
+ return rewrite(xml, true, true);
}
/**
- * Правила нормализации strict-OOXML.
+ * Правила нормализации (javadoc класса).
*
* @param renameStartEnd переименовывать ли элементы {@code w:start}/
* {@code w:end} (false для word/numbering.xml)
+ * @param strict strict-часть (URI {@code http://purl.oclc.org}):
+ * глобальный рерайт элементов и значений {@code w:jc};
+ * в transitional — только guard-правила
* @return новая строка либо null, если правок не было
*/
- private static String rewrite(String xml, boolean renameStartEnd) {
+ static String rewrite(String xml, boolean renameStartEnd, boolean strict) {
String r = xml;
if (r.indexOf('%') >= 0) {
r = percentTags(r, A_TAG);
r = percentTags(r, FILL_TO_RECT_TAG);
r = percentText(r);
}
- if (renameStartEnd
- && (r.contains("")
- || r.contains(""))) {
- r = renameStartEndElements(r);
+ if (strict) {
+ if (renameStartEnd
+ && (r.contains("")
+ || r.contains(""))) {
+ r = renameStartEndElements(r);
+ }
+ } else {
+ r = renameMarBlockElements(r);
}
if (r.contains(" w:start=\"") || r.contains(" w:end=\"")) {
- r = r.replace(" w:start=\"", " w:left=\"").replace(" w:end=\"", " w:right=\"");
+ r = renameStartEndAttrs(r);
}
if (r.contains("w:val=\"start\"") || r.contains("w:val=\"end\"")) {
- r = jcTabValues(r);
+ if (strict) {
+ r = renameValues(r, JC_VALUE);
+ }
+ r = renameValues(r, TAB_VALUE);
}
return r.equals(xml) ? null : r;
}
+ /**
+ * Атрибуты {@code w:start→w:left}/{@code w:end→w:right} только внутри
+ * открывающего тега и только при отсутствии в нём {@code w:left}/{@code
+ * w:right}: CT_Ind (transitional) допускает обе пары, дубль атрибута —
+ * не well-formed XML; литеральный текст {@code w:val}-вида в {@code w:t}
+ * не затрагивается.
+ */
+ private static String renameStartEndAttrs(String xml) {
+ Matcher tags = OPEN_TAG.matcher(xml);
+ StringBuilder sb = null;
+ while (tags.find()) {
+ String tag = tags.group();
+ String fixed = tag;
+ if (fixed.contains(" w:start=\"") && !fixed.contains(" w:left=\"")) {
+ fixed = fixed.replace(" w:start=\"", " w:left=\"");
+ }
+ if (fixed.contains(" w:end=\"") && !fixed.contains(" w:right=\"")) {
+ fixed = fixed.replace(" w:end=\"", " w:right=\"");
+ }
+ if (!fixed.equals(tag)) {
+ if (sb == null) {
+ sb = new StringBuilder(xml.length());
+ }
+ tags.appendReplacement(sb, Matcher.quoteReplacement(fixed));
+ }
+ }
+ if (sb == null) {
+ return xml;
+ }
+ tags.appendTail(sb);
+ return sb.toString();
+ }
+
+ /**
+ * Transitional-частичный рерайт элементов: только внутри {@code w:tcMar}/
+ * {@code w:tblCellMar} и только когда одноимённого {@code w:left}/{@code
+ * w:right}-ребёнка в блоке нет (иначе дубль с maxOccurs=1 ломает JAXB).
+ */
+ private static String renameMarBlockElements(String xml) {
+ if (!xml.contains("", "");
+ }
+ if (fixed.contains("", "");
+ }
+ if (!fixed.equals(block)) {
+ if (sb == null) {
+ sb = new StringBuilder(xml.length());
+ }
+ blocks.appendReplacement(sb, Matcher.quoteReplacement(fixed));
+ }
+ }
+ if (sb == null) {
+ return xml;
+ }
+ blocks.appendTail(sb);
+ return sb.toString();
+ }
+
/**
* Переименование элементов {@code w:start}/{@code w:end} в
* {@code w:left}/{@code w:right} только с границей имени:
@@ -219,9 +338,9 @@ public final class StrictOoxmlNormalizer {
return sb.toString();
}
- /** Значения {@code start}/{@code end} у {@code w:jc}/{@code w:tab} → {@code left}/{@code right}. */
- private static String jcTabValues(String xml) {
- Matcher m = JC_TAB_VALUE.matcher(xml);
+ /** Значения {@code start}/{@code end} по паттерну тега → {@code left}/{@code right}. */
+ private static String renameValues(String xml, Pattern tagValue) {
+ Matcher m = tagValue.matcher(xml);
if (!m.find()) {
return xml;
}
diff --git a/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfConverterTest.java b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfConverterTest.java
index b9ebdeb..7f07250 100644
--- a/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfConverterTest.java
+++ b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfConverterTest.java
@@ -619,6 +619,21 @@ class WordPdfConverterTest {
assertTrue(text.contains("таблица"), "текст PDF: " + text);
}
+ /**
+ * Transitional-документ с обеими формами отступа (Word пишет
+ * {@code w:ind w:left w:start} одновременно): до guard'а глобальная замена
+ * {@code w:start→w:left} порождала дубль атрибута — не well-formed XML,
+ * конвертация падала (500). Регрессия — StrictOoxmlNormalizer.
+ */
+ @Test
+ void indCoexistForms_convertsNotRejected() throws Exception {
+ byte[] docx = minimalDocx(
+ ""
+ + "СОСУЩЕСТВОВАНИЕ");
+ Path pdf = convertPdf(docx, "coexist");
+ assertTrue(norm(pdfText(pdf)).contains("СОСУЩЕСТВОВАНИЕ"), "текст пропал");
+ }
+
/**
* Абзац только из невидимых символов (U+0085/U+2028/U+2029/U+2060/U+FEFF)
* не раздувает PDF: FOP превращает первые три в принудительные переносы
diff --git a/wordpdf-core/src/test/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizerTest.java b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizerTest.java
index 4f4c267..a668930 100644
--- a/wordpdf-core/src/test/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizerTest.java
+++ b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/internal/StrictOoxmlNormalizerTest.java
@@ -238,4 +238,83 @@ class StrictOoxmlNormalizerTest {
assertNull(StrictOoxmlNormalizer.rewrite(""));
assertNull(StrictOoxmlNormalizer.rewrite(""));
}
+
+ /**
+ * Transitional CT_Ind допускает сосуществование w:left+w:start (Word пишет
+ * обе пары): глобальная замена порождала дубль атрибута — не well-formed
+ * XML. Регрессия — WordPdfConverterTest#indCoexistForms_convertsNotRejected.
+ */
+ @Test
+ void indCoexistLeftStartUntouched() {
+ assertNull(StrictOoxmlNormalizer.rewrite(
+ "", true, true));
+ assertNull(StrictOoxmlNormalizer.rewrite(
+ "", true, false));
+ assertNull(StrictOoxmlNormalizer.rewrite(
+ "", true, false));
+ }
+
+ /** Только w:start (без w:left) — рерайт и в transitional (иначе отступ теряется). */
+ @Test
+ void indStartOnlyRenamedTransitional() {
+ String r = StrictOoxmlNormalizer.rewrite("", true, false);
+ assertNotNull(r);
+ assertTrue(r.contains("w:left=\"720\""), r);
+ }
+
+ /** CT_TcMar transitional допускает одновременных start+left детей — блок как есть. */
+ @Test
+ void tcMarCoexistKept() {
+ assertNull(StrictOoxmlNormalizer.rewrite(
+ ""
+ + "", true, false));
+ }
+
+ /** Только start/end в блоке tcMar — рерайт и в transitional. */
+ @Test
+ void tcMarStartOnlyRenamedTransitional() {
+ String r = StrictOoxmlNormalizer.rewrite(
+ ""
+ + "", true, false);
+ assertNotNull(r);
+ assertTrue(r.contains("", true, false));
+ }
+
+ /**
+ * w:jc val="start" в transitional — JcEnumeration docx4j содержит START/END,
+ * FOP разрешает их по направлению (FO 1.1): рерайт ломал RTL, значение
+ * остаётся как есть.
+ */
+ @Test
+ void jcStartKeptTransitional() {
+ assertNull(StrictOoxmlNormalizer.rewrite("", true, false));
+ }
+
+ /** А w:tab val="start" правится всегда: STTabJc docx4j 17.3.2 — только left/right. */
+ @Test
+ void tabStartRenamedTransitional() {
+ String r = StrictOoxmlNormalizer.rewrite(
+ "", true, false);
+ assertNotNull(r);
+ assertTrue(r.contains(""), r);
+ }
+
+ /** Transitional-документ с обеими формами атрибута — исходный массив байтов. */
+ @Test
+ void transitionalCoexistReturnsOriginalArray() throws Exception {
+ byte[] docx = makeDocx(
+ "[Content_Types].xml", "",
+ "word/document.xml",
+ ""
+ + "");
+ assertSame(docx, StrictOoxmlNormalizer.normalize(docx));
+ }
}