From eec35b7600af304c494401f13158ba3f40caf196 Mon Sep 17 00:00:00 2001 From: Pjandro Date: Mon, 26 Oct 2026 00:02:14 +0000 Subject: [PATCH] =?UTF-8?q?fix(core):=20StrictOoxmlNormalizer=20=E2=80=94?= =?UTF-8?q?=20guard=20=D1=81=D0=BE=D1=81=D1=83=D1=89=D0=B5=D1=81=D1=82?= =?UTF-8?q?=D0=B2=D0=BE=D0=B2=D0=B0=D0=BD=D0=B8=D1=8F=20=D1=84=D0=BE=D1=80?= =?UTF-8?q?=D0=BC=20+=20strict-gating?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit - атрибуты w:start/w:end правятся только внутри открывающего тега и только при отсутствии w:left/w:right в нём (transitional CT_Ind допускает обе пары — глобальная замена давала дубль атрибута, не well-formed XML; литеральный текст в w:t больше не правится) - элементы w:start/w:end: глобально только в strict-частях (URI purl.oclc.org); в transitional — лишь в w:tcMar/w:tblCellMar без одноимённого left/right - w:jc val=start/end правится только в strict (JcEnumeration docx4j содержит START/END, FOP разрешает по направлению — рерайт ломал RTL); w:tab — всегда (STTabJc 17.3.2 без start/end) --- .../internal/StrictOoxmlNormalizer.java | 169 +++++++++++++++--- .../pjandro/wordpdf/WordPdfConverterTest.java | 15 ++ .../internal/StrictOoxmlNormalizerTest.java | 79 ++++++++ 3 files changed, 238 insertions(+), 25 deletions(-) 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}): + *

    * * 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[^>]*>.*?", 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)); + } }