diff --git a/AGENTS.md b/AGENTS.md
index cc32160..ce32714 100644
--- a/AGENTS.md
+++ b/AGENTS.md
@@ -2,7 +2,7 @@
## Project Overview
-Конвертер `.docx` → `.pdf` на чистом Java (docx4j 17.3.2 + форк Apache FOP, без LibreOffice/Aspose). Java 17, только Maven.
+Конвертер `.docx`/`.doc` → `.pdf` на чистом Java (docx4j 17.3.2 + форк Apache FOP, без LibreOffice/Aspose). Бинарный `.doc` (Word 97-2003) — собственный мост MS-DOC/MS-CFB `internal/doc` → in-memory `.docx` → тот же конвейер. Java 17, только Maven.
Три независимых модуля:
@@ -16,7 +16,7 @@
### Пайплайн `WordPdfConverter.convert(byte[], String[, ConvertOptions])`
-Порядок фиксирован, местами менять нельзя (`WordPdfConverter.convertToStream`):
+Порядок фиксирован, местами менять нельзя (`WordPdfConverter.convertToStream`). Вход роутируется по сигнатуре до входа в конвейер: `PK\x03\x04` → docx-путь, `D0 CF 11 E0 A1 B1 1A E1` (CFB, MS-CFB §2.2) → мост `DocToDocx.convert` → in-memory `.docx` → этот конвейер (`WordPdfValidator.isBinaryDoc` — единый предикат):
| # | Шаг | Что делает |
|---|---|---|
@@ -33,7 +33,28 @@
| 6 | `Docx4J.toFO(foSettings, os, FLAG_EXPORT_PREFER_XSL)` | XSL-FO → PDF |
| 7 | `finally` → `getFontTablePart().deleteEmbeddedFontTempFiles()` | В docx4j 17.x `OpcPackage.close()` нет — пакет в памяти |
-Вход валидируется **до** `convertToStream`: `WordPdfValidator.validate(docxBytes, options)` (размер → zip-подпись `PK\x03\x04` → контейнер → страницы). Тот же метод — вход приложения.
+Вход валидируется **до** `convertToStream`: `WordPdfValidator.validate(bytes, options)` (размер → подпись: zip `PK\x03\x04` или CFB `D0 CF 11 E0` → контейнер → страницы). Для `.doc` страницы считаются **по сырым байтам .doc, до конвертации**: `checkPageCountDoc` = `max(SummaryInfo PageCount, 1 + явные разрывы)`; явные — 0x0C в основном тексте + `sprmPFPageBreakBefore` из PAPX. Тот же метод — вход приложения.
+
+### Мост `.doc` → `.docx` (`internal/doc`)
+
+Нормативный источник — `docs/standards/doc/` ([MS-DOC], [MS-CFB], [MS-OLEPS], [MS-ODRAWXML]), ссылки — с номерами секций. Новых runtime-зависимостей нет (POI остаётся test-scope; POIFS — только в тестах для упаковки крафтовых CFB). Публичные точки: `DocToDocx.convert(byte[])` (вызывает `WordPdfConverter`) и `DocToDocx.countPages(byte[])` (вызывает `WordPdfValidator.checkPageCountDoc`); общий разбор — `DocFile` (CFB → потоки WordDocument / 0Table|1Table / Data + FIB + piece table). Все классы package-private-члены, наружу только `DocToDocx`.
+
+|Класс|Спецификация|
+|---|---|
+|`CfbReader`|[MS-CFB] заголовок (секторы 512/4096, mini 64), FAT/DIFAT (лимиты секторов + защита от циклов), miniFAT + mini stream из root, directory; любой брак (цикл, ссылка за файл, обрезанный поток, битый заголовок) → `ValidationException`|
+|`FibHeader`|[MS-DOC §2.4.1/§2.6.1] FibBase (`fWhichTblStm` — бит 9 u16@10 → 1Table/0Table), FibRgLw97 (ccpText/ccpFtn/ccpHdd), пары FibRgFcLcb97: fcPlcfSed=6, fcPlcfHdd=11, fcPlcfBteChpx=12, fcPlcfBtePapx=13, fcSttbfFfn=15, fcClx=33, fcDggInfo=50|
+|`PieceTable`|§2.9.135 Clx/Pcdt: куски compressed (FC/2, байт + CP1252-карта 0x80–0x9F) и uncompressed (UTF-16LE); FC за потоком → `ValidationException`|
+|`Grpprl`|§2.6.2 sprm'ы: CHPX — bold 0x0835, italic 0x0836, strike 0x0837, kul 0x2A3E, hps 0x4A43, hpsBi 0x4A61, ftc0 0x4A4F, ftc1 0x4A50, cv 0x6870 (4-й байт FF → auto), sprmCFSpec 0x0875, **sprmCPicLocation 0x6A03** (смещение BLIP в Data); PAPX — jc (both/distribute), dxaLeft/dxaLeft1/dxaRight (XAS со знаком → hanging/firstLine), pageBreakBefore 0x2407, sprmPFTtp 0x2417|
+|`ChpxIndex`/`PapxIndex`|§2.4.6: PlcfBte (aFc n+1 + pn 22 бита) → FKP-страницы 512 Б по pn·512 (rgfc (n+1)×4, rgbx n×1/×13, crun/cpara — последний байт); Chpx = cb + grpprl; PapxInFkp: cb≠0 → GrpPrlAndIstd 2cb−1, cb=0 → cb′ → 2cb′ (внутри istd(2) + grpprl); bOffset=0 → дефолт; istd игнорируется (стили — вне контура)|
+|`Sections`|PlcfSed (§2.8.22): границы секций — развёртка историй колонтитуков|
+|`FontTable`|SttbfFfn (§2.9.147): индекс ftc → имя семейства в `w:rFonts`|
+|`SummaryInfo`|[MS-OLEPS §2.2] PropertySet-поток `\x01SummaryInformation`; **offset'ы заголовка относительны начала PropertySet-потока** (`abs = Offset0 + offset`); PIDSI_PAGECOUNT=0x0E|
+|`Headers`|Plcfhdd (§2.4.1): 6 разделителей + по 6 историй на секцию (even/odd/first × hdr/ftr); odd hdr/ftr (при отсутствии — even) → `headerReference`/`footerReference` type="default"; guard-¶ отрезается; PAGE/NUMPAGES/SECTIONPAGES → `w:fldSimple` (та же семантика, что `FieldNormalizer` в docx-пути)|
+|`OfficeArt`|[MS-ODRAW] PICF @ fcDggInfo/lcbDggInfo (Table-поток), delay-поток = WordDocument; DggContainer → BStoreContainer(0xF004)/BStoreContainerDelay(0xF007)/инлайн → FBSE → BLIP: 0xF01A EMF / 0xF01B WMF / 0xF01C PICT / 0xF01D JPEG (=0xF02A) / 0xF01E PNG / 0xF01F DIB; PNG/JPEG дословно, DIB → ImageIO → PNG, EMF/WMF/PICT → пропуск + warn (EMF-рендера в Java2D нет)|
+|`DocToDocx`|Оркестратор + вложенный `DocxBody`: текст → раны (CHPX → rPr, PAPX → pPr), ¶ → ``; TAB/0x0B/0x0C → `w:tab`/`w:br`/`w:br type="page"`, 0x1E → U+2011, 0x1F → U+00AD, 0x02/0x03/0x04 (сноски) → пропуск; U+0001 со sprmCPicLocation → DrawingML `pic` (общий путь с картинками и OLE-fallback); field-символы в основном тексте: инструкция скрыта, кэшированный результат после разделителя видим; TTP-строка (sprmPFTtp + маркер 0x07) — не абзац|
+|`DocxWriter`|Мульти-частный zip: `[Content_Types].xml` (hdr/ftr/png/jpg), `_rels/.rels`, `word/document.xml` (sectPr + headerReference), `word/_rels/document.xml.rels`, `word/header1.xml`/`footer1.xml`, `word/media/imageN.(png|jpg)`; корневые namespaces w/r/wp/a/pic|
+
+Остаток моста (осознанный, вне контура): стили и таблицы нумерации не применяются (только прямые свойства); сноски/концевые сноски/комментарии не рендерятся (метки ссылок пропускаются); error-флаги `errorOnCharts`/`errorOnSmartArt`/`errorOnOle` на `.doc` **не срабатывают** — диаграммы/SmartArt/OLE в бинарном формате существуют только как BLIP-плейсхолдеры, мост выдаёт их картинками (задокументировано в `@Operation`); `stale-cache.doc` конвертируется (кэш PageCount=5, концепта lastRenderedPageBreak в .doc нет) — семантика отличается от docx-фикстуры, запинено тестом.
### Нормализаторы (`internal/DocxNormalizer`)
@@ -53,11 +74,11 @@
### REST API (`wordpdf-app`, всё package-private кроме `WordPdfApplication`)
-Единственный эндпоинт `POST /api/v1/convert`: multipart-поле `file` + факультативные query/form-параметры `errorOnCharts`/`errorOnSmartArt`/`errorOnOle` (дефолт каждого — `WordPdfSettings.ERROR_ON_*`). Ответ — `application/pdf`, `Content-Disposition: attachment; filename*=UTF-8''…`. Проверка `.docx`-расширения — в `ConvertController`; `ConversionService.safeBaseName` — единый источник имени для файла, заголовка ответа и PDF-title (разрешены `[\p{L}\p{N} ._-]`, пустое → `document`).
+Единственный эндпоинт `POST /api/v1/convert`: multipart-поле `file` + факультативные query/form-параметры `errorOnCharts`/`errorOnSmartArt`/`errorOnOle` (дефолт каждого — `WordPdfSettings.ERROR_ON_*`). Ответ — `application/pdf`, `Content-Disposition: attachment; filename*=UTF-8''…`. Проверка `.docx`/`.doc`-расширения — в `ConvertController` (ошибочный текст 400 — контракт с фронтом); `ConversionService.safeBaseName` — единый источник имени для файла, заголовка ответа и PDF-title (срезает оба расширения; разрешены `[\p{L}\p{N} ._-]`, пустое → `document`). Error-флаги диаграмм/SmartArt/OLE на `.doc` не срабатывают (BLIP-плейсхолдеры → картинки, см. «Мост») — описано в `@Operation`.
| Ситуация | HTTP | Класс |
|---|---|---|
-| Некорректный вход (размер, zip, контейнер, страницы) | 400 | `ValidationException` (наследник `ConversionException`) |
+| Некорректный вход (размер, подпись zip/CFB, контейнер, страницы) | 400 | `ValidationException` (наследник `ConversionException`) |
| Error-флаг на диаграммы/SmartArt/OLE | **422** | `DrawingRejectedException` (core-`DrawingFoundException`, `Kind {CHARTS, SMARTART, OLE}`) |
| Ошибка ядра/рендера | 500 | `ConversionFailedException` |
| Очередь переполнена | 503 | `ConversionRejectedException` |
@@ -71,7 +92,7 @@
- **Ключ доступа**: `ApiKeyFilter` сверяет заголовок `X-API-Key` (`ApiKeyFilter.HEADER`) со свойством `wordpdf.api-key` (env `WORDPDF_API_KEY`, сравнение `MessageDigest.isEqual`). Пустое свойство = аутентификация выключена (dev `java -jar`, тесты). Без ключа открыты `OPEN_PREFIXES` = `/actuator/`, `/swagger-ui`, `/v3/api-docs` — матч по пути **без** forwarded-contextPath (`getRequestURI()` минус `getContextPath()`; иначе под `X-Forwarded-Prefix` HEALTHCHECK получил бы 401). Пути с точечными сегментами (`..`/`%2e`) открытыми не считаются никогда.
- **Очередь**: конвертации сериализованы однопоточным `ThreadPoolExecutor` (`ConversionService.QUEUE_CAPACITY = 16`, переполнение → 503): ядро мутирует глобальный реестр `PhysicalFonts` и **не потокобезопасно**. `future.cancel(true)` при таймауте не останавливает FOP мгновенно — осознанный компромисс.
- **Лимиты входа** задаёт только конфигурация сервера: `wordpdf.max-mb`/`wordpdf.max-pages` (env `WORDPDF_MAX_MB`/`WORDPDF_MAX_PAGES`), `@Value` в `ConvertController` с дефолтом-SpEL из `WordPdfSettings` (5 МБ / 100); значение ≤ 0 → `IllegalStateException` на старте; параметрами запроса не переопределяются. Ключи в `application.properties` **не объявлены** — пустое значение затенит SpEL-дефолт.
-- **SPA**: вся сеть в `wordpdf-web/src/api.ts` (компоненты `fetch` не вызывают); ключ в `localStorage` (`wordpdf.api.key`), при 401 очищается, экран `ApiKeyGate` (`UnauthorizedError` — наследник `ApiError`, проверяется раньше); гейт показывается только когда `probeApiKey()` (GET /api/v1/convert → 401) подтвердил требование ключа. Запросы на `${import.meta.env.BASE_URL}api/...` (vite `base` из `VITE_BASE`, дефолт `/`) — CORS не нужен (dev: vite-proxy → :8080; prod: nginx под префиксом `/pdf-converter/`). Три переключателя error-флагов в форме («Диаграммы», «SmartArt», «OLE-объекты», дефолт — все выключены).
+- **SPA**: вся сеть в `wordpdf-web/src/api.ts` (компоненты `fetch` не вызывают); ключ в `localStorage` (`wordpdf.api.key`), при 401 очищается, экран `ApiKeyGate` (`UnauthorizedError` — наследник `ApiError`, проверяется раньше); гейт показывается только когда `probeApiKey()` (GET /api/v1/convert → 401) подтвердил требование ключа. Запросы на `${import.meta.env.BASE_URL}api/...` (vite `base` из `VITE_BASE`, дефолт `/`) — CORS не нужен (dev: vite-proxy → :8080; prod: nginx под префиксом `/pdf-converter/`). Три переключателя error-флагов в форме («Диаграммы», «SmartArt», «OLE-объекты», дефолт — все выключены). DropZone принимает `.docx,.doc` (`accept` + текст зоны).
### Chart/SmartArt-движок (`internal/chart`)
@@ -109,10 +130,11 @@ Java2D → PNG 300 dpi (`ChartRenderer.DPI = 300`, `PADDING = 4.0`, растр
| `wordpdf-core/src/main/java/ru/pjandro/wordpdf/` | Публичный API: `WordPdfConverter` (`convert(byte[],String[,ConvertOptions])`), `WordPdfValidator` (`checkInput`/`checkPageCount`/`validate` — без зависимости от docx4j), `ConversionException`, `ValidationException` (наследник — «вход некорректен»), `DrawingFoundException` (`enum Kind {CHARTS, SMARTART, OLE}`), `WordPdfSettings` (`MAX_INPUT_MB=5`, `MAX_PAGES=100`, защитные `MAX_DECOMPRESSED_MB=200`/`MAX_ZIP_ENTRIES=8192`, `ERROR_ON_*=false`), `ConvertOptions` (record) |
| `…/wordpdf/fonts/` | `BundledFonts` (реестр/выгрузка TTF), `BundledFontMapper` (алиасы, self-map, `DISPLAY_NAMES`, `bundledFamily`), `GlyphFont` (глиф-движок fontbox) |
| `…/wordpdf/internal/` | 9 нормализаторов + `DocxRewritePipeline` (один zip-проход правил 1–8, raw-копия неизменённых записей) + `LayoutPostRenderer` (кастомный `FORenderer`, post-FO padding-компенсация таблиц, шаг 4.25) + интерфейс `DocxNormalizer` + `FopFallbackFonts` + `DependencyGuard` (проверка commons-compress, шаг 0). Классы `public` (иначе родительский пакет не вызвал бы), публичные члены наружу только `normalize`/`STEP`/`declare`/`DependencyGuard.check`/`LayoutPostRenderer.register`; `OleObjectNormalizer` — многочастный, публичный `normalize(byte[], boolean)`, бросает `DrawingFoundException(OLE)` |
-| `…/wordpdf/internal/chart/` | 17 классов Java2D-рендера диаграмм/SmartArt в PNG (public только `DrawingPreRenderer.run`) |
+| `…/wordpdf/internal/doc/` | Мост `.doc` → `.docx`: 14 классов (см. секцию «Мост») — `CfbReader`, `FibHeader`, `PieceTable`, `Grpprl`, `ChpxIndex`, `PapxIndex`, `Sections`, `FontTable`, `SummaryInfo`, `Headers`, `OfficeArt`, `DocFile`, `DocxWriter`, `DocToDocx` (публичные `convert`/`countPages`; вложенный `DocxBody` — рендер текста в XML) |
+| `…/wordpdf/internal/chart/` |17 классов Java2D-рендера диаграмм/SmartArt в PNG (public только `DrawingPreRenderer.run`)|
| `wordpdf-core/src/main/resources/fonts/` | 30 TTF + 3 лицензии — бинарные фикстуры, часть jar |
| `wordpdf-core/src/main/resources/xslt/` | `docx2fo.xslt` — вендорный XSL-FO-стилист (копия docx4j-export-fo + AUDIT-FIX-патч), часть jar |
-| `wordpdf-core/src/test/resources/samples/` | 13 закоммиченных `.docx`-фикстур (единственные .docx-фикстуры), все проходят `docs/standards/docx/validate-fixtures.py` |
+| `wordpdf-core/src/test/resources/samples/` | 25 закоммиченных фикстур: 13 `.docx` + 12 `.doc` (11 эталонов заказчика из `develop/doc/` с теми же базовыми именами + `doc-formats.doc`); `.docx` проходят `docs/standards/docx/validate-fixtures.py`, `.doc` — бинарные, XSD к ним неприменим |
| `wordpdf-core/src/test/resources/geom/` | `presetShapeDefinitions.xml` — копия приложения ECMA-376, синхрон таблицы `PresetGeometry` (только в тестах, в jar не попадает) |
| `wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/` | REST API (10 классов): `WordPdfApplication` (единственный public), `ConvertController`, `ConversionService` (очередь), `ApiExceptionHandler`, `ApiKeyFilter`, `OpenApiConfig` (`@SecurityScheme` X-API-Key) + 4 класса исключений |
| `wordpdf-web/src/` | SPA: `api.ts` (вся сеть), `components/` (App, ApiKeyGate, PdfPreview, StatusMessage, DropZone, Logo) |
@@ -212,12 +234,13 @@ java -cp wordpdf-core/target/test-classes:$(cat /tmp/cp.txt) \
- Гейт `maven-pmd-plugin` 3.28.0 на `verify` для обоих модулей, ruleset `pmd-ruleset.xml`, `includeTests=true`. Версия PMD-движка в pom не пинится (тянется плагином).
- Гейт JaCoCo `0.8.15`: `jacoco:check` (правило BUNDLE, LINE COVEREDRATIO `0.90` — обоих модулей; в `wordpdf-core/pom.xml` execution `check` переопределён и добавляет BRANCH COVEREDRATIO `0.85` — только для core) на `verify`; агент подключается в surefire через `argLine` = `@{argLine} -Djava.awt.headless=true` (свойство `argLine` в корневом pom по умолчанию пусто и перезаписывается `prepare-agent` — `mvn test -Djacoco.skip=true` без агента работоспособно); `report` и `check` оба на `verify`, report раньше — при провале порога отчёт уже на диске; отчёты `target/site/jacoco/` (html+xml, xml нужен CI-сводке). Плотность покрытия держат тесты, а не заглушки: промахи в основном недостижимые IOException/catch-ветки (`GlyphFont`, `BundledFonts`) и защитные ветви сканеров нормализаторов/валидатора.
-- 38 тестовых классов / 582 `@Test` (core 32/540, app 6/42: ConvertController 22 + ApiKeyFilter 8 + ConversionService 5 + ApiExceptionHandler 4 + ConvertLimits 2 + ConversionTimeout 1). JUnit 6 (`org.junit.jupiter:junit-jupiter`), surefire 3.6.0 с `-Djava.awt.headless=true`; только `Assertions` (Mockito/AssertJ не использовать; в app-тестах допустим inline-Hamcrest `org.hamcrest.Matchers.containsString` в `andExpect`), тестовые классы package-private, зеркалят main-пакеты; только `@Test` + два `@BeforeAll` (warm-up шрифтов в `GlyphCoverageNormalizerTest` и `BundledFonts.init()` в `BundledFontsTest`) + `@AfterEach drainWorker` в `ConversionTimeoutTest` (дренировать отменённый FOP-рендер до следующего класса — гонка глобального `PhysicalFonts`).
+- 51 тестовых класса / 695 `@Test` (core 45/647 — из них 13 классов / 98 тестов в `internal/doc/`, app 6/48: ConvertController 23 + ApiKeyFilter 8 + ConversionService 5 + ApiExceptionHandler 4 + ConvertLimits 5 + ConversionTimeout 3). JUnit 6 (`org.junit.jupiter:junit-jupiter`), surefire 3.6.0 с `-Djava.awt.headless=true`; только `Assertions` (Mockito/AssertJ не использовать; в app-тестах допустим inline-Hamcrest `org.hamcrest.Matchers.containsString` в `andExpect`), тестовые классы package-private, зеркалят main-пакеты; только `@Test` + два `@BeforeAll` (warm-up шрифтов в `GlyphCoverageNormalizerTest` и `BundledFonts.init()` в `BundledFontsTest`) + `@AfterEach drainWorker` в `ConversionTimeoutTest` (дренировать отменённый FOP-рендер до следующего класса — гонка глобального `PhysicalFonts`).
- **PDF сравнивается текстом, не растеризацией**: PDFBox 3 (`Loader.loadPDF`) — `PDFTextStripper` (пер-странично `setStartPage/setEndPage`), override `processTextPosition` для шрифта конкретного символа (`fontNameOf`), обход ресурсов страниц для встроенных шрифтов (`EAAAAA+Carlito-Bold`) и счётчик картинок (`imageCount`/`distinctImageCount` — SMask игнорируется). Негативные маркеры: `assertFalse(text.contains("#"))` (.notdef), `assertFalse(font.startsWith("Helvetica"))`. Текст нормализуется по пробелам (`norm`); в `tableImage_tableAndImage` — полное удаление пробелов (docx4j переносит слова в auto-fit таблицах).
- Пиксели (BufferedImage) — только в unit-тестах chart-пейнтеров: безразмерные отношения к эталону Word (экспорт 300 dpi, числа зашиты в тесты), допуски `assertRatio` <0.06 (`PiePainterTest`, `CartesianPainterTest`) / <0.10 (`Surface3dPainterTest`, + `assertRange` ±6 pt для центров силуэта); пороги залитых px, перцентильные коридоры яркости, «серый» px — разброс каналов `GRAY_MAX_SPREAD=25`; исключение — структурная проверка чернил в `GlyphFontTest`. Эталонные файлы — `develop/`, вне git. Хелперы chart-тестов (`render`, `countColor`, `assertRatio`, `paint`) продублированы по классам — общего test-util нет.
- `GlyphFont` (fontbox): метрики пиксельно-метрически эквивалентны AWT (ascent/descent/leading/advance совпадают до 4-го знака, кернинг-дрейф 0.0000 — DejaVu Sans, Carlito). Приёмочный стенд без-fontconfig: контейнер без `libfontconfig.so.1*` и `/etc/fonts`, `mvn verify` + `java -jar` (до перехода на GlyphFont там падали `GlyphCoverageNormalizerTest` 12 / `CartesianPainterTest` 3 / `PiePainterTest` 2 / chart-тесты `WordPdfConverterTest` 4, chart-рендер молча деградировал). `GlyphFontTest` написан без единого `java.awt.Font` — обязан проходить на хосте без fontconfig.
-- Фикстуры — закоммиченные `samples/*.docx` (13; в тестах не генерировать; все ECMA-conformant по `docs/standards/docx/validate-fixtures.py` — фикстура невалидна, правится фикстура, не код): core грузит classpath-ресурсом → `byte[]`, PDF для PDFBox — временный файл; app читает `/samples/…` из **test-jar core** (classifier `tests`) → `mvn -pl wordpdf-app` без `-am` не соберётся. In-memory docx — `ZipOutputStream` из литеральных XML или POI в `byte[]`. Ключевые: `too-many-pages` (150 явных разрывов → 151), `stale-cache` (кэш `1` + 110 `lastRenderedPageBreak`), `charts-smartart` (4 растра; SmartArt-одиночка = ровно 2 Image XObject), `ole-embedded` (осиротевший bin с ложным `Default bin→footer+xml` + настоящий `w:object` с честным `Override → oleObject` и VML-плейсхолдером `media/fallback.png` — ручная, генератором не перезаписывать), `chart-types` (14 графиков: 9 типов + ofPie-pie + lineChart stacked + `c:wireframe` + combo barChart+lineChart на вторичной `c:valAx` pos="r"; пересоздание — `ChartTypesDocxGenerator`).
+- Фикстуры — закоммиченные `samples/*.docx` + `samples/*.doc` (13 + 12; в тестах не генерировать; `.docx` все ECMA-conformant по `docs/standards/docx/validate-fixtures.py` — фикстура невалидна, правится фикстура, не код; `.doc` — эталоны заказчика, конвертируются мостом): core грузит classpath-ресурсом → `byte[]`, PDF для PDFBox — временный файл; app читает `/samples/…` из **test-jar core** (classifier `tests`) → `mvn -pl wordpdf-app` без `-am` не соберётся. In-memory docx — `ZipOutputStream` из литеральных XML или POI в `byte[]`; in-memory `.doc` — POIFS (`POIFSFileSystem`) вокруг крафтовых WordDocument/1Table/Data (`DocToDocxFormattingTest`). Ключевые: `too-many-pages` (150 явных разрывов → 151; `.doc`-пара — кэш PageCount=150 → 400 «не менее 151»), `stale-cache` (docx: кэш `1` + 110 `lastRenderedPageBreak` → 400; doc: кэш 5 → конвертируется — семантика запинена), `charts-smartart` (4 растра; SmartArt-одиночка = ровно 2 Image XObject; `.doc`-пара — 3 BLIP-fallback → 3 картинки), `ole-embedded` (осиротевший bin с ложным `Default bin→footer+xml` + настоящий `w:object` с честным `Override → oleObject` и VML-плейсхолдером `media/fallback.png` — ручная, генератором не перезаписывать; `.doc`-пара — OLE-fallback BLIP → 1 картинка), `chart-types` (14 графиков: 9 типов + ofPie-pie + lineChart stacked + `c:wireframe` + combo barChart+lineChart на вторичной `c:valAx` pos="r"; пересоздание — `ChartTypesDocxGenerator`; `.doc`-аналога нет), `doc-formats.doc` (2 страницы — лимит страниц на .doc-пути).
- Юниты нормализаторов работают строками (`rewrite`) + zip'ами из `ZipOutputStream`; обязательные контракты: «нечего менять → тот же массив» (`assertSame`) и неприкосновенность частей вне `word/*.xml` (`[Content_Types].xml`). Тесты бьют и в package-private API (`GlyphCoverageNormalizer.split(text, family)`, `ChartSpec.readTitle`). Исключение — `OleObjectNormalizerTest`: многочастный нормализатор без `rewrite`-хука, тесты только через `normalize` на in-memory zip.
+- Юниты моста (`internal/doc/`): `CfbReaderTest` строит крафтовый CFB-байтстрим (сектор 512/mini 64: FAT/DIFAT/miniFAT/directory руками) и бьёт все guard-ветки (циклы FAT/DIFAT/MiniFAT, ссылки за файл, обрезанные потоки, root без mini stream, мусор в directory); `SummaryInfoTest` — крафтовый PropertySetStream (пинит **относительность offset от начала PropertySet**, реальные фикстуры её не различают); `PieceTableTest`/`ChpxIndexTest`/`PapxIndexTest`/`SectionsTest`/`FibHeaderTest`/`GrpprlTest`/`FontTableTest`/`HeadersTest`/`OfficeArtTest` — byte[]-конструкции in memory; `DocToDocxFormattingTest` — полный синтетический .doc через POIFS (крафтовые FIB/Clx/FKP-страницы: полные CHPX/PAPX-свойства, знаки, поле в основном тексте, TTP, picLocation=0, 0Table, отсутствие табличного потока). Doc-регрессии конвертера — общие assert-хелперы docx-пар: `assertCyrillicAndStyles`/`assertPageNumbers`/`assertTableImage`/`assertOleObjectsRemoved`/`assertDrawingsBecomeImages`/`assertTooManyPages`/`assertExoticGlyphs` вызываются с `ru-plain.doc`/`page-numbers.doc`/`ru-table-image.doc`/`ole-embedded.doc`/`charts-smartart.doc`/`too-many-pages.doc`/`exotic-glyphs.doc` (тесты-пары называются по docx-имени, внутри зовут оба формата); `WordPdfValidatorTest#checkPageCountDoc_*` + `ConvertControllerTest` (`.doc` upload, `nonDocxFilename_rejected`).
- App-тесты: `@SpringBootTest` + `@AutoConfigureMockMvc` (Boot 4: `org.springframework.boot.webmvc.test.autoconfigure`); три контекста — `ConvertControllerTest` (пустой ключ), `ApiKeyFilterTest` (`properties = "wordpdf.api-key=…"`), `ConvertLimitsTest`/`ConversionTimeoutTest` (`@TestPropertySource` — отдельные классы, не `@Nested`: `@Nested` + `@TestPropertySource` не даёт отдельного контекста).
- Регрессивные пары (фикс = нормализатор/pre-renderer + юнит + конвертер-тест с фикстурой): `StrictOoxmlNormalizerTest`↔`strictOoxml_convertsNotRejected` (+`pageCount_strictBreaksCountedLightweight`; юниты `indCoexistLeftStartUntouched`/`tcMarCoexistKept`/`tcBordersElementsKeptTransitional`/`jcStartRenamedTransitional`/`tabStartRenamedTransitional`/`transitionalCoexistReturnsOriginalArray`), `DocxOnOffNormalizerTest`↔`ruPlain_regularRunsUseRegularFont`, `SymbolFontNormalizerTest`↔`symbolFonts_bulletsAreNotHash`, `FieldNormalizerTest`↔`pageNumbers_recomputedNotCached`, `InvisibleCharNormalizerTest`↔`invisibleChars_noEmptyLines`, `GlyphCoverageNormalizerTest`↔`exoticGlyphs_drawnNotHash`, `OleObjectNormalizerTest`↔`oleObjects_removedAndConverted`/`drawingErrors_errorFlagRejectsOle` (+app `errorFlagOle_rejected`/`oleObjects_removedByDefault`; юниты `objectWithImagedata_placeholderKept`/`objectWithoutImage_removed`/`objectWithDrawing_reusedVerbatim`/`controlBlockRemoved`/`sizeFromDxaOrig`/`styleUnits_allConvertToEmu`/`objectWithoutBin_stillRewritten`/`externalOleLinkRelRemoved`), `WordPdfValidatorTest`↔`staleCachePageCountRejectedBeforeRender` (+`checkPageCount_limitBoundary` 99/100/101, `cachedPagesUnreadableFallsBackToZero`, `pageCount_breaksInsideTablesAreCounted`, `pageCount_continuousSectionsNotCountedLightweight`, `validate_notAZip`/`validate_plainZipRejected`/`validate_xlsxRenamedRejected`/`validate_zipBombRejected`/`validate_tooManyEntriesRejected`), `BundledFontsTest`↔`ruPlain_emDashEmbeddedNotHelvetica`, `PresetGeometryTest`↔`chartsSmartArt_drawingsBecomeImages` (`tableMatchesEcmaXml`), chart-пейнтеры↔`chartTypes_allTypesRenderAsImages`, `ChartSpecTest`↔автозаголовки/комбо/DoS (`hugePointIndex_rejectedNotOom`, `hugePtCount_rejectedNotOom`, `hugeCategoryIndex_rejectedNotOom`, `nonFiniteScalingBounds_dropped`, `overlayLegend_keepsPositionAndFlag`, `emptyTitleSingleSeriesBar_usesSeriesName`, `deletedTitleWithText_stillShown`, `deletedTitleValOmitted_stillShown`, `multiSeriesDoughnut_placeholderNotSeriesName`, `multiParagraphTitle_joinedWithNewlines`), `Surface3dPainterTest`↔`axisBounds_tinyMajorUnit_fallsBackToNiceUnit`/`axisBounds_zeroMajorUnit_fallsBackToNiceUnit`, `ChartRendererTest`↔`axisBounds_explicitHugeRange_reunitsToMaxTicks`/`axisBounds_infiniteSpan_fallsBackToData`/`stackedCumulative_*`/`stackedRange_coversNegativeSums`/`overlayLegend_drawnOverPlot`/`wireframeSurfaceLegend_hollowMarkers`, `DrawMlTextTest`↔`hugeWord_wrapsLinearly`/`fallbackFamilyAliasedToBundle`/`lineSpacingPct_compactsLines`, `DrawMlColorTest`↔`invalidSrgbHexFallsBackToOfficeDefault`, `SmartArtRendererTest`↔`normAutofitShrinksToFit`/`missingAutofitKeepsDeclaredSize`/`emptyTxBody_noPlaceholderInk`, `CartesianPainterTest`↔`stackedLine_seriesStackCumulatively`/`percentStackedLine_topSeriesFlatAtHundred`/`areaFill_closesToBaseline`/`combo_barsAndLineOnSecondary_bothDrawn`, `GlyphCoverageNormalizerTest`↔`multipleTextNodes_runLeftUntouched`/`nestedRunInTextBox_innerSplit`, `SymbolFontNormalizerTest`↔`nestedRunInTextBox_innerNormalized`, `WordPdfConverterTest`↔`noLoggingWarningInPdf`/`pdfTitle_comesFromParameter`/`hostileChartAxis_convertsNotHangs`/`hugeExtentChart_removedNotOom`/`chartWithoutExtent_errorFlagRejects`/`jcEndTransitional_rightAligned`/`rPrPosition_raisesBaseline`/`vendoredXsltTracksJarCopy` (аудит раскладки ECMA-376), `LayoutPostRendererTest`↔`tableCellPadding_textInsetLikeWord` (+`lineRuleAuto_wordSingleLinePitch` пинит метрический шаг «single» от псевдофиксов, `carlitoAutoBlock_untouched`), `TableIndentNormalizerTest`↔`tableIndentCentered_shiftedLikeWord`, `NumberingSuffixNormalizerTest`↔`suffSpace_labelGetsSpace`. App-регрессии: `requestLimitParams_areIgnored`, `nonPositiveLimits_failStartup`, `unknownPath_notFound`, `concurrentRequests_bothSucceed`, `corruptNotAZip_rejected`, `plainZipNotDocx_rejected`, `junkInsideValidZip_conversionError` (500 на валидном .docx-контейнере с мусором), `nonDocxFilename_rejected`, `oversizedOverCoreLimit_rejected`, `drawingsAlwaysRendered`, `cyrillicAndPathInFilename_sanitizedResponseName`, `docsOpenWithoutKey`/`forwardedPrefix_healthStaysOpen`/`forwardedPrefix_docsOpenWithoutKey`, `dotSegmentOpenPrefix_rejected`, `errorFlagNotBoolean_rejected`, `methodNotSupportedReturns405`/`badContentTypeReturns415`.
-- UI-тестов нет; гейт SPA — `npm run build` (tsc -b) + `npm run lint` (oxlint, `.oxlintrc.json`: rules-of-hooks error, only-export-components warn). Прод-автотесты (pytest 9.1.1 + requests 2.34.2, 21 проверка — 17 под маркером `needs_key` (SKIP без ключа), 4 открытых: health/SPA-root/swagger/spec; env-конфиг, `mise exec -- python -m pytest -q .` из `prod-autotests/`) гоняются CI после deploy против живого прода.
+- UI-тестов нет; гейт SPA — `npm run build` (tsc -b) + `npm run lint` (oxlint, `.oxlintrc.json`: rules-of-hooks error, only-export-components warn). Прод-автотесты (pytest 9.1.1 + requests 2.34.2, 22 проверки — 18 под маркером `needs_key` (SKIP без ключа; включая конвертацию `.doc`-фикстуры), 4 открытых: health/SPA-root/swagger/spec; env-конфиг, `mise exec -- python -m pytest -q .` из `prod-autotests/`) гоняются CI после deploy против живого прода.
diff --git a/prod-autotests/test_prod_api.py b/prod-autotests/test_prod_api.py
index 75886a8..06003cb 100644
--- a/prod-autotests/test_prod_api.py
+++ b/prod-autotests/test_prod_api.py
@@ -90,6 +90,21 @@ def test_convert_returns_pdf(url, samples, key_header):
assert "filename*=UTF-8''en-plain.pdf" in disp
+@needs_key
+def test_convert_binary_doc(url, samples, key_header):
+ """Бинарный .doc (Word 97-2003) → PDF: мост internal.doc на проде."""
+ r = requests.post(
+ url(CONVERT),
+ headers=key_header,
+ files={"file": ("ru-plain.doc", (samples / "ru-plain.doc").read_bytes())},
+ timeout=TIMEOUT,
+ )
+ assert r.status_code == 200
+ assert "application/pdf" in r.headers["content-type"]
+ assert r.content[:4] == b"%PDF"
+ assert "filename*=UTF-8''doc-ru.pdf" in r.headers["content-disposition"]
+
+
@needs_key
def test_convert_cyrillic_filename_rfc5987(url, samples, key_header):
"""Кириллическое имя части → RFC 5987 filename* (safeBaseName), заголовок не режется наружным nginx.
diff --git a/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConversionService.java b/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConversionService.java
index 770f525..a1a7af5 100644
--- a/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConversionService.java
+++ b/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConversionService.java
@@ -70,7 +70,14 @@ final class ConversionService {
* {@code null} не допускается (контроллер строит всегда).
*/
byte[] convert(byte[] docxBytes, String originalFilename, ConvertOptions options) {
- WordPdfValidator.validate(docxBytes, options);
+ // Бинарный .doc — не zip: .docx-валидация к нему неприменима, размер
+ // проверяется общим checkInput, страницы — мостом по чистому .doc
+ // (ядро бросит ValidationException → 400 тем же обработчиком).
+ if (WordPdfValidator.isBinaryDoc(docxBytes)) {
+ WordPdfValidator.checkInput(docxBytes, options.maxMb());
+ } else {
+ WordPdfValidator.validate(docxBytes, options);
+ }
Future future;
try {
future = workers.submit(() -> doConvert(docxBytes, originalFilename, options));
@@ -139,7 +146,7 @@ final class ConversionService {
/**
* Санитизация имени (единый источник для имени файла и Content-Disposition):
* без каталога, только буквы/цифры/пробел/ {@code . _ -}, без суффикса
- * .docx; пустое после очистки → {@code document}. Кириллица разрешена —
+ * .docx/.doc; пустое после очистки → {@code document}. Кириллица разрешена —
* на Linux это валидное имя файла, и заголовок PDF остаётся читаемым.
*/
static String safeBaseName(String original) {
@@ -147,8 +154,11 @@ final class ConversionService {
: original.substring(Math.max(original.lastIndexOf('/'),
original.lastIndexOf('\\')) + 1);
base = base.replaceAll("[^\\p{L}\\p{N} ._-]", "");
- if (base.toLowerCase(Locale.ROOT).endsWith(".docx")) {
+ String lower = base.toLowerCase(Locale.ROOT);
+ if (lower.endsWith(".docx")) {
base = base.substring(0, base.length() - ".docx".length());
+ } else if (lower.endsWith(".doc")) {
+ base = base.substring(0, base.length() - ".doc".length());
}
if (base.isBlank()) {
base = "document";
diff --git a/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConvertController.java b/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConvertController.java
index c6488aa..452f649 100644
--- a/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConvertController.java
+++ b/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConvertController.java
@@ -58,8 +58,9 @@ final class ConvertController {
this.maxPages = maxPages;
}
- @Operation(summary = "Конвертировать .docx в PDF",
- description = "errorOnCharts/errorOnSmartArt/errorOnOle — факультативно, по умолчанию "
+ @Operation(summary = "Конвертировать .docx/.doc в PDF",
+ description = "Принимаются .docx (OOXML) и .doc (Word 97–2003, переносится в .docx "
+ + "мостом: текст и прямое форматирование). errorOnCharts/errorOnSmartArt/errorOnOle — факультативно, по умолчанию "
+ "настройки ядра (ошибка не выбрасывается); диаграммы/SmartArt "
+ "конвертируются всегда, OLE-объекты при выключенном флаге тихо удаляются. "
+ "Лимиты входа (размер/страницы) задаёт только конфигурация сервера "
@@ -78,9 +79,11 @@ final class ConvertController {
throw new ValidationException("Файл не передан (multipart-поле «file» обязательно)");
}
String name = file.getOriginalFilename();
- if (name == null || !name.toLowerCase(Locale.ROOT).endsWith(".docx")) {
- // расширение проверяется здесь: ядро с байтов его не видит
- throw new ValidationException("Поддерживается только .docx (без .doc): " + name);
+ String lower = name == null ? "" : name.toLowerCase(Locale.ROOT);
+ if (!lower.endsWith(".docx") && !lower.endsWith(".doc")) {
+ // расширение проверяется здесь: ядро с байтов его не видит;
+ // .doc (Word 97–2003) переносится в .docx мостом internal.doc
+ throw new ValidationException("Поддерживаются только .docx и .doc: " + name);
}
byte[] docxBytes;
try {
diff --git a/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConversionServiceTest.java b/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConversionServiceTest.java
index 4db202d..3d5c11b 100644
--- a/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConversionServiceTest.java
+++ b/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConversionServiceTest.java
@@ -131,6 +131,9 @@ class ConversionServiceTest {
assertEquals("evil", ConversionService.safeBaseName("a/../../evil.docx"));
assertEquals("evil", ConversionService.safeBaseName("C:\\tmp\\evil.docx"));
assertEquals("отчёт", ConversionService.safeBaseName("отчёт.DOCX"));
+ assertEquals("отчёт", ConversionService.safeBaseName("отчёт.DOC"));
+ assertEquals("doc", ConversionService.safeBaseName("doc.doc"));
+ assertEquals("файл", ConversionService.safeBaseName("каталог\\файл.doc"));
}
/**
diff --git a/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConvertControllerTest.java b/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConvertControllerTest.java
index 06d58f9..25fd8a7 100644
--- a/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConvertControllerTest.java
+++ b/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConvertControllerTest.java
@@ -280,6 +280,20 @@ class ConvertControllerTest {
org.hamcrest.Matchers.containsString(".docx")));
}
+ /** Бинарный .doc принимается расширением и конвертируется мостом internal.doc. */
+ @Test
+ void docFile_convertsToPdf() throws Exception {
+ MvcResult result = mockMvc.perform(multipart("/api/v1/convert")
+ .file(docx("report.doc", bytes("/samples/ru-plain.doc"))))
+ .andExpect(status().isOk())
+ .andExpect(content().contentType(MediaType.APPLICATION_PDF))
+ .andReturn();
+ byte[] pdf = result.getResponse().getContentAsByteArray();
+ assertTrue("%PDF".equals(new String(pdf, 0, 4, StandardCharsets.US_ASCII)),
+ "тело не начинается с %PDF");
+ assertTrue(norm(pdfText(pdf)).contains("Привет, мир!"), "текст .doc не доехал");
+ }
+
@Test
void missingPart_rejected() throws Exception {
mockMvc.perform(multipart("/api/v1/convert"))
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java
index b85b51d..405fe9f 100644
--- a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java
@@ -15,6 +15,7 @@ import ru.pjandro.wordpdf.internal.chart.DrawingPreRenderer;
import ru.pjandro.wordpdf.internal.DependencyGuard;
import ru.pjandro.wordpdf.internal.DocxNormalizer;
import ru.pjandro.wordpdf.internal.DocxRewritePipeline;
+import ru.pjandro.wordpdf.internal.doc.DocToDocx;
import ru.pjandro.wordpdf.internal.OleObjectNormalizer;
import ru.pjandro.wordpdf.internal.FopFallbackFonts;
import ru.pjandro.wordpdf.internal.LayoutPostRenderer;
@@ -61,20 +62,26 @@ public final class WordPdfConverter {
}
/**
- * Конвертирует байты .docx в PDF. Работа с файлами — забота вызывающего
- * (файловое API было здесь раньше; ядро пути не принимает).
+ * Конвертирует байты .docx (или бинарного .doc Word 97–2003 — формат
+ * определяется по сигнатуре байтов) в PDF. Работа с файлами — забота
+ * вызывающего (файловое API было здесь раньше; ядро пути не принимает).
*
- *
Вход проверяется {@link WordPdfValidator#validate(byte[], ConvertOptions)} до рендера:
+ *
.doc предварительно переносится в .docx мостом
+ * {@link ru.pjandro.wordpdf.internal.doc.DocToDocx} (текст + прямое
+ * форматирование); число страниц для .doc проверяется мостом по чистому
+ * бинарному документу (кэш PageCount + явные разрывы), сгенерированный
+ * .docx валидацией не проверяется. Для .docx вход проверяется
+ * {@link WordPdfValidator#validate(byte[], ConvertOptions)} до рендера:
* {@code null} / размер больше {@link WordPdfSettings#MAX_INPUT_MB} (МБ) / zip-подпись /
* число страниц больше {@link WordPdfSettings#MAX_PAGES} — при отказе байтов результата нет;
* страницы дополнительно перепроверяются по нормализованным байтам (шаг 2.5).
*
- * @param docxBytes байты .docx
+ * @param docxBytes байты .docx или бинарного .doc
* @param title заголовок PDF (метаданные); {@code null}/пустая — заголовок не задаётся
* @return байты готового PDF
* @throws ValidationException некорректный вход: {@code null}, размер больше
- * {@link WordPdfSettings#MAX_INPUT_MB} (МБ), не zip-архив, документ длиннее
- * {@link WordPdfSettings#MAX_PAGES} страниц
+ * {@link WordPdfSettings#MAX_INPUT_MB} (МБ), не .docx/.doc, зашифрованный .doc,
+ * документ длиннее {@link WordPdfSettings#MAX_PAGES} страниц
* @throws ConversionException прочие ошибки (битый .docx, ошибка рендера)
*/
public static byte[] convert(byte[] docxBytes, String title) throws ConversionException {
@@ -82,30 +89,43 @@ public final class WordPdfConverter {
}
/**
- * Конвертирует байты .docx в PDF с настройками на вызов: error-флаги
- * диаграмм/SmartArt и лимиты входа.
+ * Конвертирует байты .docx (или бинарного .doc Word 97–2003 — формат
+ * определяется по сигнатуре байтов, см. перегрузку выше) в PDF с
+ * настройками на вызов: error-флаги диаграмм/SmartArt и лимиты входа.
*
- *
Вход проверяется {@link WordPdfValidator#validate(byte[], ConvertOptions)} до рендера:
- * {@code null} / размер больше {@code options.maxMb()} (МБ) / zip-подпись / число страниц
- * больше {@code options.maxPages()} — при отказе байтов результата нет; страницы
- * дополнительно перепроверяются по нормализованным байтам (шаг 2.5).
+ *
Вход проверяется {@link WordPdfValidator#validate(byte[], ConvertOptions)}
+ * до рендера — одна проверка на оба формата: {@code null} / размер больше
+ * {@code options.maxMb()} (МБ) / не .docx и не .doc / число страниц больше
+ * {@code options.maxPages()} — при отказе байтов результата нет. Для .docx
+ * страницы дополнительно перепроверяются по нормализованным байтам (шаг 2.5);
+ * для .doc страницы считаются по чистому бинарному документу до конвертации,
+ * конвертат не перепроверяется.
*
- * @param docxBytes байты .docx
+ * @param docxBytes байты .docx или бинарного .doc
* @param title заголовок PDF (метаданные); {@code null}/пустая — заголовок не задаётся
* @param options error-флаги и лимиты входа на этот вызов; {@code null} —
* дефолты (константы {@link WordPdfSettings})
* @return байты готового PDF
* @throws ValidationException некорректный вход: {@code null}, размер больше
- * {@code options.maxMb()} (МБ), не zip-архив, документ длиннее
- * {@code options.maxPages()} страниц
+ * {@code options.maxMb()} (МБ), не .docx/.doc, зашифрованный .doc,
+ * документ длиннее {@code options.maxPages()} страниц
* @throws ConversionException прочие ошибки (битый .docx, ошибка рендера)
*/
public static byte[] convert(byte[] docxBytes, String title, ConvertOptions options) throws ConversionException {
ConvertOptions opts = options == null ? ConvertOptions.defaults() : options;
+ // Полная проверка входа — одна на оба формата: размер до
+ // классификации (враждебный вход без подписи обязан получить ошибку
+ // лимита), затем для .docx — zip/контейнер/страницы, для .doc —
+ // страницы по чистому бинарному документу (до конвертации).
WordPdfValidator.validate(docxBytes, opts);
- ByteArrayOutputStream bos = new ByteArrayOutputStream(Math.max(1 << 16, docxBytes.length));
+ boolean fromDoc = WordPdfValidator.isBinaryDoc(docxBytes);
+ // Бинарный .doc (Word 97–2003): мост internal.doc. Сгенерированный
+ // .docx — собственный артефакт, его штатной валидацией/перепроверкой
+ // (шаг 2.5) не проверяем.
+ byte[] docx = fromDoc ? DocToDocx.convert(docxBytes) : docxBytes;
+ ByteArrayOutputStream bos = new ByteArrayOutputStream(Math.max(1 << 16, docx.length));
try {
- convertToStream(docxBytes, title, opts, bos);
+ convertToStream(docx, title, opts, bos, fromDoc);
} catch (ConversionException e) {
// ValidationException (отказ валидации входа) — подтип, уходит
// вызывающему без обёртки
@@ -122,7 +142,7 @@ public final class WordPdfConverter {
* без неё старая версия библиотеки дала бы мутный NoSuchMethodError внутри docx4j.
*/
private static void convertToStream(byte[] rawDocxBytes, String title, ConvertOptions options,
- OutputStream os) throws Exception {
+ OutputStream os, boolean skipPageRecheck) throws Exception {
// 0. Совместимость commons-compress: docx4j требует ковариантный
// ZipArchiveInputStream.getNextEntry() (>= 1.25.0); ниже — понятный
// ConversionException с инструкцией вместо NoSuchMethodError.
@@ -153,7 +173,12 @@ public final class WordPdfConverter {
// 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(docxBytes, options.maxPages());
+ // Для .doc пропущена: страницы уже посчитаны мостом по чистому
+ // бинарному документу, перепроверять собственный конвертат —
+ // значит проверять не вход.
+ if (!skipPageRecheck) {
+ WordPdfValidator.checkPageCount(docxBytes, options.maxPages());
+ }
// после этой строки docxBytes больше не читается — HotSpot с точными
// картами liveness считает его недостижимым, нормализованная копия
// освобождается до FOP-рендера (пик: JAXB-модель + FOP + PDF-буфер)
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfValidator.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfValidator.java
index 643b584..1436333 100644
--- a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfValidator.java
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfValidator.java
@@ -1,5 +1,7 @@
package ru.pjandro.wordpdf;
+import ru.pjandro.wordpdf.internal.doc.DocToDocx;
+
import javax.xml.stream.XMLInputFactory;
import javax.xml.stream.XMLStreamException;
import javax.xml.stream.XMLStreamReader;
@@ -16,9 +18,10 @@ import java.util.zip.ZipEntry;
import java.util.zip.ZipInputStream;
/**
- * Валидатор ограничений на входной .docx:
+ * Валидатор ограничений на вход: .docx и бинарный .doc (Word 97–2003) —
* размер входа, корректность контейнера (.docx-манифест, защита от
- * zip-бомбы) и число страниц.
+ * zip-бомбы; для .doc — CFB/Word-разбор {@code internal.doc}) и число
+ * страниц для обоих форматов.
*
*
Вход валидатора — только {@code byte[]}: файловых проверок нет,
* работа с файлами — забота вызывающего (приложения).
@@ -99,6 +102,26 @@ public final class WordPdfValidator {
}
}
+ /**
+ * CFB-подпись D0 CF 11 E0 A1 B1 1A E1 (MS-CFB §2.2) — контейнер бинарного
+ * .doc Word 97–2003. Классификация входа до любой работы с форматом:
+ * такой вход не проверяется .docx-валидацией (zip-пути), его страницы
+ * считает мост {@code internal.doc} по чистому бинарному документу.
+ */
+ public static boolean isBinaryDoc(byte[] bytes) {
+ byte[] sig = {(byte) 0xD0, (byte) 0xCF, 0x11, (byte) 0xE0,
+ (byte) 0xA1, (byte) 0xB1, 0x1A, (byte) 0xE1};
+ if (bytes == null || bytes.length < sig.length) {
+ return false;
+ }
+ for (int i = 0; i < sig.length; i++) {
+ if (bytes[i] != sig[i]) {
+ return false;
+ }
+ }
+ return true;
+ }
+
/**
* Проверяет число страниц без загрузки документа в docx4j: .docx
* читается как zip напрямую (StAX по {@code word/document.xml},
@@ -183,8 +206,42 @@ public final class WordPdfValidator {
}
/**
- * Полная проверка входа: размер → zip-подпись → контейнер (.docx +
- * zip-бомба) → число страниц. Порядок
+ * Число страниц бинарного .doc (Word 97–2003) — по чистому бинарному
+ * документу, до какой-либо конвертации в .docx: нижняя оценка
+ * {@code max(кэш SummaryInformation.PageCount [MS-OLEPS], 1 + явные
+ * разрывы 0x0C − непрерывные межсекционные разрывы + абзацы с
+ * pageBreakBefore)} — тот же контур, что lightweight-скан по zip для
+ * .docx. Разбор делает {@code internal.doc} ({@link DocToDocx#countPages(byte[])}).
+ *
+ * @throws ValidationException при {@code null}, не-.doc-входе, шифровании
+ * или превышении {@link WordPdfSettings#MAX_PAGES}
+ */
+ public static void checkPageCountDoc(byte[] docBytes) throws ValidationException {
+ checkPageCountDoc(docBytes, WordPdfSettings.MAX_PAGES);
+ }
+
+ /**
+ * То же, что {@link #checkPageCountDoc(byte[])}, с явным лимитом
+ * страниц (переопределение на вызов, см. {@link ConvertOptions#maxPages()}).
+ *
+ * @throws ValidationException при {@code null}, не-.doc-входе, шифровании
+ * или превышении {@code maxPages}
+ */
+ public static void checkPageCountDoc(byte[] docBytes, int maxPages) throws ValidationException {
+ if (docBytes == null) {
+ throw new ValidationException("Не указаны байты входного .doc");
+ }
+ int pages = DocToDocx.countPages(docBytes);
+ if (pages > maxPages) {
+ throw new ValidationException("Документ длиннее " + maxPages
+ + " страниц: получено не менее " + pages);
+ }
+ }
+
+ /**
+ * Полная проверка входа: размер → классификация формата → (.docx:
+ * zip-подпись → контейнер (.docx + zip-бомба) → число страниц) /
+ * (.doc: число страниц по чистому бинарному документу). Порядок
* значим: размер — дешёвая, разбор zip без подписи бессмысленен. Лимиты
* берутся из {@link ConvertOptions} (переопределение на вызов, см.
* {@link ConvertOptions#maxMb()}, {@link ConvertOptions#maxPages()}).
@@ -212,9 +269,15 @@ public final class WordPdfValidator {
*/
public static void validate(byte[] docxBytes, ConvertOptions options) throws ValidationException {
checkInput(docxBytes, options.maxMb());
+ if (isBinaryDoc(docxBytes)) {
+ // Бинарный .doc: страницы — по чистому бинарному документу,
+ // без конвертации в .docx (регрессия — WordPdfValidatorTest#checkPageCountDoc_*).
+ checkPageCountDoc(docxBytes, options.maxPages());
+ return;
+ }
if (docxBytes.length < 4 || docxBytes[0] != 'P' || docxBytes[1] != 'K'
|| (docxBytes[2] & 0xFF) != 0x03 || (docxBytes[3] & 0xFF) != 0x04) {
- throw new ValidationException("Содержимое не похоже на .docx (не zip-архив)");
+ throw new ValidationException("Содержимое не похоже на .docx или .doc (не zip-архив)");
}
checkDocxContainer(docxBytes);
checkPageCount(docxBytes, options.maxPages());
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/CfbReader.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/CfbReader.java
new file mode 100644
index 0000000..a289d13
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/CfbReader.java
@@ -0,0 +1,331 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import ru.pjandro.wordpdf.ValidationException;
+
+import java.nio.charset.StandardCharsets;
+import java.util.ArrayList;
+import java.util.HashMap;
+import java.util.List;
+import java.util.Map;
+
+/**
+ * Читатель OLE2-контейнера (CFB) — вход бинарного .doc.
+ *
+ *
Реализация строго по [MS-CFB]: заголовок §2.2, FAT/DIFAT §2.3–2.5,
+ * Mini FAT §2.4, Directory §2.6. Возвращает только потоки (storage'ы
+ * пропускаются): имя записи → содержимое. Сектор N лежит по смещению
+ * (N + 1) × Sector Size (§2.3, ms-cfb.md:567); потоки короче cutoff
+ * (4096 байт) — в mini stream по MiniFAT-цепочке (§2.4).
+ *
+ *
Враждебный вход: битый заголовок, сектор за концом файла, цикл в
+ * FAT/MiniFAT/DIFAT/directory-цепочке — {@link ValidationException}; длина
+ * любой цепочки ограничена числом секторов файла, иначе враждебный FAT
+ * зациклил бы разбор.
+ */
+public final class CfbReader {
+
+ /** Сигнатура контейнера, MS-CFB §2.2 (Header Signature). */
+ static final byte[] SIGNATURE = {(byte) 0xD0, (byte) 0xCF, 0x11, (byte) 0xE0,
+ (byte) 0xA1, (byte) 0xB1, 0x1A, (byte) 0xE1};
+
+ /** Конец цепочки / специальные значения FAT (MS-CFB §2.1). */
+ private static final long ENDOFCHAIN = 0xFFFFFFFEL;
+ private static final long FREESECT = 0xFFFFFFFFL;
+ private static final long MAX_SECT = 0xFFFFFFFAL;
+
+ /** Разумный потолок mini-sector shift: 2^16 = 64 KiB (MS-CFB §2.2). */
+ private static final int MAX_MINI_SECTOR_SHIFT = 16;
+
+ /** Типы записей directory (MS-CFB §2.6, Object Type). */
+ private static final int TYPE_STREAM = 0x02;
+ private static final int TYPE_ROOT = 0x05;
+
+ /** Размер directory-записи, байт (MS-CFB §2.6). */
+ private static final int ENTRY_SIZE = 128;
+
+ /** Смещения полей заголовка (MS-CFB §2.2: сигнатура 8 + CLSID 16). */
+ private static final int OFF_SECTOR_SHIFT = 0x1E;
+ private static final int OFF_MINI_SECTOR_SHIFT = 0x20;
+ private static final int OFF_FIRST_DIR = 0x30;
+ private static final int OFF_CUTOFF = 0x38;
+ private static final int OFF_FIRST_MINI_FAT = 0x3C;
+ private static final int OFF_FIRST_DIFAT = 0x44;
+ private static final int OFF_DIFAT_COUNT = 0x48;
+ private static final int OFF_DIFAT_ENTRIES = 0x4C;
+ private static final int DIFAT_ENTRIES_IN_HEADER = 109;
+
+ /** Смещения полей directory-записи (MS-CFB §2.6). */
+ private static final int ENTRY_NAME_LEN = 0x40;
+ private static final int ENTRY_TYPE = 0x42;
+ private static final int ENTRY_START_SECT = 0x74;
+ private static final int ENTRY_SIZE_LO = 0x78;
+
+ /** Минимальный заголовок — 512 байт (сектор v3). */
+ private static final int HEADER_SIZE = 512;
+
+ private CfbReader() {
+ }
+
+ /**
+ * Разбирает контейнер и возвращает его потоки: имя записи → байты.
+ * Имена регистронезависимо ищёт вызывающий ({@link #stream}).
+ *
+ * @throws ValidationException если это не CFB, файл обрезан или цепочки
+ * секторов цикличны/указывают за конец файла
+ */
+ public static Map readStreams(byte[] cfb) {
+ if (cfb == null || cfb.length < HEADER_SIZE || !startsWithSignature(cfb)) {
+ throw new ValidationException("Содержимое не похоже на .doc Word 97–2003");
+ }
+ int sectorShift = u16(cfb, OFF_SECTOR_SHIFT);
+ int miniSectorShift = u16(cfb, OFF_MINI_SECTOR_SHIFT);
+ if (sectorShift != 9 && sectorShift != 12) {
+ throw new ValidationException("Неподдерживаемый размер сектора CFB: 2^" + sectorShift);
+ }
+ if (miniSectorShift > MAX_MINI_SECTOR_SHIFT) {
+ throw new ValidationException("Неподдерживаемый размер mini-сектора CFB: 2^" + miniSectorShift);
+ }
+ int sectorSize = 1 << sectorShift;
+ int miniSectorSize = 1 << miniSectorShift;
+ long firstDir = u32(cfb, OFF_FIRST_DIR);
+ long cutoff = u32(cfb, OFF_CUTOFF);
+ long firstMiniFat = u32(cfb, OFF_FIRST_MINI_FAT);
+ long firstDifat = u32(cfb, OFF_FIRST_DIFAT);
+ long difatCount = u32(cfb, OFF_DIFAT_COUNT);
+
+ int sectorTotal = (cfb.length - sectorSize) / sectorSize + 1; // секторов после заголовка
+ int[] fat = readFat(cfb, sectorSize, firstDifat, difatCount, sectorTotal);
+
+ byte[] miniStream = null;
+ int[] miniFat = null;
+
+ int[] dirChain = chain(fat, firstDir, sectorTotal, "цепочка directory");
+ List entries = new ArrayList<>();
+ long rootStart = -1;
+ long rootSize = 0;
+ for (int sect : dirChain) {
+ int base = sectorOffset(sect, sectorSize);
+ for (int off = 0; off + ENTRY_SIZE <= sectorSize && base + off + ENTRY_SIZE <= cfb.length;
+ off += ENTRY_SIZE) {
+ int type = cfb[base + off + ENTRY_TYPE] & 0xFF;
+ if (type == TYPE_ROOT) {
+ rootStart = u32(cfb, base + off + ENTRY_START_SECT);
+ rootSize = u32(cfb, base + off + ENTRY_SIZE_LO);
+ } else if (type == TYPE_STREAM) {
+ String name = entryName(cfb, base + off);
+ long start = u32(cfb, base + off + ENTRY_START_SECT);
+ long size = u32(cfb, base + off + ENTRY_SIZE_LO);
+ if (!name.isEmpty() && size >= 0 && size <= cfb.length) {
+ entries.add(new Entry(name, start, size));
+ }
+ }
+ }
+ }
+
+ if (rootStart >= 0 && rootSize > 0) {
+ miniStream = readChain(cfb, fat, rootStart, rootSize, sectorSize, sectorTotal, "mini stream");
+ }
+ if (firstMiniFat != FREESECT && firstMiniFat != ENDOFCHAIN && firstMiniFat <= MAX_SECT) {
+ int[] miniFatSects = chain(fat, firstMiniFat, sectorTotal, "цепочка MiniFAT");
+ miniFat = new int[miniFatSects.length * sectorSize / 4];
+ int i = 0;
+ for (int sect : miniFatSects) {
+ int base = sectorOffset(sect, sectorSize);
+ for (int off = 0; off + 4 <= sectorSize && base + off + 4 <= cfb.length; off += 4) {
+ miniFat[i++] = (int) u32(cfb, base + off);
+ }
+ }
+ }
+
+ // второй проход: содержимое потоков
+ Map result = new HashMap<>();
+ for (Entry e : entries) {
+ byte[] data;
+ if (e.size() >= cutoff) {
+ data = readChain(cfb, fat, e.start(), e.size(), sectorSize, sectorTotal,
+ "цепочка потока «" + e.name() + "»");
+ } else {
+ data = readMiniChain(miniFat, miniStream, e.start(), e.size(), miniSectorSize);
+ }
+ result.put(e.name(), data);
+ }
+ return result;
+ }
+
+ /** Directory-запись потока: имя + начало цепочки + размер (до чтения данных). */
+ private record Entry(String name, long start, long size) {
+ }
+
+ /** Потока {@code name} нет → пустой массив; поиск регистронезависимый (MS-CFB §2.6). */
+ static byte[] stream(Map streams, String name) {
+ byte[] direct = streams.get(name);
+ if (direct != null) {
+ return direct;
+ }
+ for (Map.Entry e : streams.entrySet()) {
+ if (e.getKey().equalsIgnoreCase(name)) {
+ return e.getValue();
+ }
+ }
+ return new byte[0];
+ }
+
+ // ---------- internals ----------
+
+ private static boolean startsWithSignature(byte[] b) {
+ for (int i = 0; i < SIGNATURE.length; i++) {
+ if (b[i] != SIGNATURE[i]) {
+ return false;
+ }
+ }
+ return true;
+ }
+
+ /** Список FAT-секторов: 109 из заголовка + DIFAT-цепочка (MS-CFB §2.5). */
+ private static int[] readFat(byte[] cfb, int sectorSize, long firstDifat,
+ long difatCount, int sectorTotal) {
+ List fatSectors = new ArrayList<>();
+ for (int i = 0; i < DIFAT_ENTRIES_IN_HEADER; i++) {
+ long s = u32(cfb, OFF_DIFAT_ENTRIES + i * 4);
+ if (s != FREESECT && s <= MAX_SECT) {
+ fatSectors.add((int) s);
+ }
+ }
+ long seen = 0;
+ long sect = firstDifat;
+ long difatLimit = Math.min(difatCount + 1, sectorTotal + 1);
+ while (sect != FREESECT && sect != ENDOFCHAIN && sect <= MAX_SECT) {
+ if (++seen > difatLimit) {
+ throw new ValidationException("Циклическая DIFAT-цепочка в .doc");
+ }
+ int base = sectorOffset((int) sect, sectorSize);
+ requireInFile(base, sectorSize, cfb.length, "DIFAT-сектор");
+ int entries = sectorSize / 4 - 1;
+ for (int i = 0; i < entries; i++) {
+ long s = u32(cfb, base + i * 4);
+ if (s != FREESECT && s <= MAX_SECT) {
+ fatSectors.add((int) s);
+ }
+ }
+ sect = u32(cfb, base + entries * 4);
+ }
+ if (fatSectors.size() > sectorTotal) {
+ throw new ValidationException("DIFAT объявляет больше FAT-секторов, чем может быть в файле");
+ }
+ int[] fat = new int[fatSectors.size() * sectorSize / 4];
+ int i = 0;
+ for (int fs : fatSectors) {
+ int base = sectorOffset(fs, sectorSize);
+ requireInFile(base, sectorSize, cfb.length, "FAT-сектор");
+ for (int off = 0; off + 4 <= sectorSize && base + off + 4 <= cfb.length; off += 4) {
+ fat[i++] = (int) u32(cfb, base + off);
+ }
+ }
+ return fat;
+ }
+
+ /** Цепочка секторов по FAT; цикл/выход за FAT → {@link ValidationException}. */
+ private static int[] chain(int[] fat, long start, int sectorTotal, String what) {
+ List sectors = new ArrayList<>();
+ long sect = start;
+ int limit = Math.min(fat.length, sectorTotal) + 1;
+ while (sect != ENDOFCHAIN && sect >= 0 && sect <= MAX_SECT) {
+ if (sectors.size() > limit) {
+ throw new ValidationException("Циклическая " + what + " в .doc");
+ }
+ if (sect >= fat.length) {
+ throw new ValidationException("Сектор за концом FAT в .doc: " + what);
+ }
+ sectors.add((int) sect);
+ sect = fat[(int) sect] & 0xFFFFFFFFL;
+ }
+ return sectors.stream().mapToInt(Integer::intValue).toArray();
+ }
+
+ private static byte[] readChain(byte[] cfb, int[] fat, long start, long size,
+ int sectorSize, int sectorTotal, String what) {
+ byte[] out = new byte[(int) size];
+ int done = 0;
+ int[] chain = chain(fat, start, sectorTotal, what);
+ for (int sect : chain) {
+ if (done >= size) {
+ break;
+ }
+ int base = sectorOffset(sect, sectorSize);
+ int n = (int) Math.min(sectorSize, size - done);
+ if (base + n > cfb.length) {
+ throw new ValidationException("Поток .doc ссылается за конец файла: " + what);
+ }
+ System.arraycopy(cfb, base, out, done, n);
+ done += n;
+ }
+ if (done != size) {
+ throw new ValidationException("Обрезанный поток .doc: " + what + " (ожидалось " + size
+ + " байт, цепочка дала " + done + ")");
+ }
+ return out;
+ }
+
+ private static byte[] readMiniChain(int[] miniFat, byte[] miniStream,
+ long start, long size, int miniSectorSize) {
+ byte[] out = new byte[(int) size];
+ if (size == 0) {
+ return out;
+ }
+ if (miniStream == null || miniFat == null) {
+ throw new ValidationException("Mini stream отсутствует, но есть поток в mini FAT");
+ }
+ int done = 0;
+ long sect = start;
+ int limit = miniFat.length + 1;
+ int steps = 0;
+ while (sect != ENDOFCHAIN && sect >= 0 && sect <= MAX_SECT) {
+ if (++steps > limit) {
+ throw new ValidationException("Циклическая MiniFAT-цепочка в .doc");
+ }
+ if (sect >= miniFat.length) {
+ throw new ValidationException("Mini-сектор за концом MiniFAT в .doc");
+ }
+ int base = (int) sect * miniSectorSize;
+ int n = Math.min(miniSectorSize, (int) size - done);
+ if (base + n > miniStream.length) {
+ throw new ValidationException("Mini-поток .doc ссылается за конец mini stream");
+ }
+ System.arraycopy(miniStream, base, out, done, n);
+ done += n;
+ sect = miniFat[(int) sect] & 0xFFFFFFFFL;
+ }
+ if (done != size) {
+ throw new ValidationException("Обрезанный mini-поток .doc (ожидалось " + size
+ + " байт, цепочка дала " + done + ")");
+ }
+ return out;
+ }
+
+ private static int sectorOffset(int sector, int sectorSize) {
+ return (sector + 1) * sectorSize;
+ }
+
+ private static void requireInFile(int offset, int len, int fileLen, String what) {
+ if (offset < HEADER_SIZE || offset + len > fileLen) {
+ throw new ValidationException("Ссылка за конец файла в .doc: " + what);
+ }
+ }
+
+ private static String entryName(byte[] cfb, int entryBase) {
+ int nameLen = u16(cfb, entryBase + ENTRY_NAME_LEN);
+ if (nameLen < 2 || nameLen > 64) {
+ return "";
+ }
+ return new String(cfb, entryBase, nameLen - 2, StandardCharsets.UTF_16LE);
+ }
+
+ private static int u16(byte[] b, int off) {
+ return (b[off] & 0xFF) | ((b[off + 1] & 0xFF) << 8);
+ }
+
+ static long u32(byte[] b, int off) {
+ return (b[off] & 0xFFL) | ((b[off + 1] & 0xFFL) << 8)
+ | ((b[off + 2] & 0xFFL) << 16) | ((b[off + 3] & 0xFFL) << 24);
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/ChpxIndex.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/ChpxIndex.java
new file mode 100644
index 0000000..23e6389
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/ChpxIndex.java
@@ -0,0 +1,90 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import ru.pjandro.wordpdf.ValidationException;
+
+import java.util.ArrayList;
+import java.util.List;
+
+/**
+ * Индекс прямых символьных свойств CHPX: FC-диапазон → Grpprl.
+ *
+ *
Алгоритм [MS-DOC] §2.4.6.2 (Direct Character Formatting): PlcfBteChpx —
+ * PLC (aFc n+1, PnFkpChpx n по 4 байта: pn 22 бита); ChpxFkp-страница по
+ * {@code pn*512} в WordDocument-потоке: rgfc (crun+1 × 4 FC-границы),
+ * rgb (crun × 1 байт, смещение Chpx = байт×2), crun — последний байт
+ * страницы; Chpx = cb (1) + grpprl (cb байт). Диапазон rgfc[j]..rgfc[j+1]
+ * получает grpprl своего Chpx; bOffset=0 — свойств нет (дефолт).
+ */
+final class ChpxIndex {
+
+ /** Размер FKP-страницы, байт (§2.9, ChpxFkp). */
+ private static final int FKP_PAGE_SIZE = 512;
+
+ private record Range(long fcStart, long fcEnd, byte[] grpprl) {
+ }
+
+ private final List ranges = new ArrayList<>();
+
+ private ChpxIndex(byte[] tableStream, long fcBte, long lcbBte, byte[] wordDocument) {
+ if (lcbBte <= 0) {
+ return;
+ }
+ if (fcBte < 0 || fcBte + lcbBte > tableStream.length || (lcbBte - 4) % 8 != 0) {
+ throw new ValidationException("Битый PlcfBteChpx в .doc");
+ }
+ int n = (int) ((lcbBte - 4) / 8);
+ for (int i = 0; i < n; i++) {
+ long fcStart = CfbReader.u32(tableStream, (int) fcBte + i * 4);
+ long fcEnd = CfbReader.u32(tableStream, (int) fcBte + i * 4 + 4);
+ long pn = CfbReader.u32(tableStream, (int) fcBte + (n + 1) * 4 + i * 4) & 0x3FFFFFL;
+ long pageOff = pn * FKP_PAGE_SIZE;
+ if (pageOff + FKP_PAGE_SIZE > wordDocument.length) {
+ throw new ValidationException("ChpxFkp вне WordDocument-потока в .doc");
+ }
+ int crun = wordDocument[(int) (pageOff + FKP_PAGE_SIZE - 1)] & 0xFF;
+ if (crun < 1 || crun > 0x65) {
+ throw new ValidationException("Битый crun в ChpxFkp .doc");
+ }
+ for (int j = 0; j < crun; j++) {
+ long rgfcStart = CfbReader.u32(wordDocument, (int) pageOff + j * 4);
+ long rgfcEnd = CfbReader.u32(wordDocument, (int) pageOff + (j + 1) * 4);
+ int bx = wordDocument[(int) pageOff + 4 * (crun + 1) + j] & 0xFF;
+ if (bx == 0 || rgfcEnd <= rgfcStart) {
+ continue;
+ }
+ int chpxOff = (int) pageOff + bx * 2;
+ int cb = wordDocument[chpxOff] & 0xFF;
+ if (cb == 0 || chpxOff + 1 + cb > pageOff + FKP_PAGE_SIZE) {
+ continue;
+ }
+ byte[] grpprl = new byte[cb];
+ System.arraycopy(wordDocument, chpxOff + 1, grpprl, 0, cb);
+ ranges.add(new Range(Math.max(rgfcStart, fcStart), Math.min(rgfcEnd, fcEnd), grpprl));
+ }
+ }
+ }
+
+ static ChpxIndex read(byte[] tableStream, long fcBte, long lcbBte, byte[] wordDocument) {
+ return new ChpxIndex(tableStream, fcBte, lcbBte, wordDocument);
+ }
+
+ /** Grpprl для FC или пустой массив (дефолтные свойства). */
+ byte[] grpprlFor(long fc) {
+ for (Range r : ranges) {
+ if (fc >= r.fcStart() && fc < r.fcEnd()) {
+ return r.grpprl();
+ }
+ }
+ return new byte[0];
+ }
+
+ /** FC конца текущего диапазона свойств (или {@code fcLimit}) — граница рана. */
+ long rangeEnd(long fc, long fcLimit) {
+ for (Range r : ranges) {
+ if (fc >= r.fcStart() && fc < r.fcEnd()) {
+ return Math.min(r.fcEnd(), fcLimit);
+ }
+ }
+ return fcLimit;
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/DocFile.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/DocFile.java
new file mode 100644
index 0000000..c7d564c
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/DocFile.java
@@ -0,0 +1,97 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import java.util.Map;
+
+import ru.pjandro.wordpdf.ValidationException;
+
+/**
+ * Дешёвый разбор бинарного .doc: CFB-контейнер → FIB → piece table.
+ *
+ *
Общая основа моста {@link DocToDocx} и проверки числа страниц
+ * ({@link #countPages()}), которую {@code WordPdfValidator} вызывает через
+ * {@link DocToDocx#countPages(byte[]}) до конвертации в .docx —
+ * аналог lightweight-прохода валидатора по zip.
+ *
+ *
Контракт ошибок: любой некорректный вход (не CFB, не Word, шифрование,
+ * Word 6/95, обрезка) — {@link ValidationException}.
+ */
+final class DocFile {
+
+ private final Map streams;
+ private final byte[] wordDocument;
+ private final FibHeader fib;
+ private final byte[] table;
+ private final PieceTable pieces;
+
+ private DocFile(byte[] docBytes) {
+ streams = CfbReader.readStreams(docBytes);
+ if (CfbReader.stream(streams, "EncryptedPackage").length > 0
+ || CfbReader.stream(streams, "EncryptedStream").length > 0) {
+ throw new ValidationException(
+ "Документ зашифрован (пароль на открытие) — конвертация невозможна");
+ }
+ wordDocument = CfbReader.stream(streams, "WordDocument");
+ if (wordDocument.length == 0) {
+ throw new ValidationException("Содержимое не похоже на .doc Word 97–2003");
+ }
+ fib = FibHeader.read(wordDocument);
+ table = CfbReader.stream(streams, fib.use1Table() ? "1Table" : "0Table");
+ if (table.length == 0) {
+ throw new ValidationException("В .doc нет потока "
+ + (fib.use1Table() ? "1Table" : "0Table"));
+ }
+ pieces = PieceTable.read(table, fib.fcClx(), fib.lcbClx(), wordDocument);
+ }
+
+ static DocFile open(byte[] docBytes) {
+ return new DocFile(docBytes);
+ }
+
+ /**
+ * Число страниц (нижняя оценка, тот же нижний контур, что lightweight-скан
+ * валидатора для .docx): {@code max(кэш PageCount [MS-OLEPS], 1 + ручные
+ * разрывы 0x0C (§2.8.26) − непрерывные межсекционные разрывы (sprmSBkc) +
+ * абзацы с sprmPFPageBreakBefore)}. Кэша нет (0) — работают разрывы.
+ */
+ int countPages() {
+ int cached = SummaryInfo.pageCount(
+ CfbReader.stream(streams, "\u0005SummaryInformation"));
+ PapxIndex papx = PapxIndex.read(table, fib.fcPlcfBtePapx(), fib.lcbPlcfBtePapx(),
+ wordDocument);
+ Sections sections = Sections.read(table, fib.fcPlcfSed(), fib.lcbPlcfSed(),
+ wordDocument);
+ return Math.max(cached, 1 + countPageBreaks() - sections.continuousSectionEnds()
+ + papx.countPageBreakBefore());
+ }
+
+ /** Число символов 0x0C (разрыв страницы/колонки/секции, §2.2) в основном тексте. */
+ int countPageBreaks() {
+ int count = 0;
+ for (int cp = 0; cp < fib.ccpText(); cp++) {
+ if (pieces.charAt(cp) == DocToDocx.PAGE_OR_SECTION_BREAK) {
+ count++;
+ }
+ }
+ return count;
+ }
+
+ Map streams() {
+ return streams;
+ }
+
+ byte[] wordDocument() {
+ return wordDocument;
+ }
+
+ FibHeader fib() {
+ return fib;
+ }
+
+ byte[] table() {
+ return table;
+ }
+
+ PieceTable pieces() {
+ return pieces;
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/DocToDocx.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/DocToDocx.java
new file mode 100644
index 0000000..ab2851f
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/DocToDocx.java
@@ -0,0 +1,618 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import ru.pjandro.wordpdf.ValidationException;
+
+import java.util.ArrayDeque;
+import java.util.ArrayList;
+import java.util.Deque;
+import java.util.List;
+import java.util.Locale;
+
+/**
+ * Мост бинарного .doc (Word 97–2003) → минимальный transitional-.docx.
+ *
+ *
Точки входа пакета: {@link #convert(byte[])} (конвертация) и
+ * {@link #countPages(byte[])} (нижняя оценка страниц для валидатора).
+ * Разбор строго по [MS-DOC]/[MS-CFB]/[MS-OLEPS]: контейнер — {@link CfbReader},
+ * общий разбор — {@link DocFile}, заголовок — {@link FibHeader}, текст —
+ * {@link PieceTable} (§2.4.1), прямые
+ * свойства — {@link ChpxIndex}/{@link PapxIndex} (§2.4.6.1/.2), полоса набора —
+ * {@link Sections} (§2.8.26). Стили STSH, списки, таблицы-как-таблицы,
+ * картинки и колонтитуки в первом инкременте не переносятся: содержимое ячеек
+ * становится абзацами, объекты/сноски/комментарии (0x01/0x02/0x05/0x08) и
+ * инструкции полей (0x13–0x14) выбрасываются, результат поля (0x14–0x15)
+ * остаётся; прочие управляющие символы не эмитятся.
+ *
+ *
Контракт ошибок: любой некорректный вход (не CFB, не Word, шифрование,
+ * Word 6/95, обрезка, цикл в цепочках, страницы сверх лимита) —
+ * {@link ValidationException}.
+ */
+public final class DocToDocx {
+
+ /** Символы .doc (§2.2/§2.4). */
+ private static final char CELL_MARK = 0x07;
+ private static final char EMBEDDED_OBJECT = 0x01;
+ private static final char ANNOTATION_REF = 0x05;
+ private static final char DRAWN_OBJECT = 0x08;
+ private static final char FOOTNOTE_REF = 0x02;
+ private static final char TAB = 0x09;
+ private static final char LINE_BREAK = 0x0B;
+ static final char PAGE_OR_SECTION_BREAK = 0x0C;
+ private static final char PARA_MARK = 0x0D;
+ private static final char FIELD_BEGIN = 0x13;
+ private static final char FIELD_SEPARATOR = 0x14;
+ private static final char FIELD_END = 0x15;
+
+ /** Ниже — управляющие символы без текстового смысла (§2.2) → граница рана. */
+ private static final char CONTROL_LIMIT = 0x20;
+ private static final char NON_BREAKING_HYPHEN = 0x1E;
+ private static final char SOFT_HYPHEN = 0x1F;
+
+ /** Content-type/тип связи частей колонтитуков (ECMA-376 Part 2). */
+ private static final String HEADER_CONTENT_TYPE =
+ "application/vnd.openxmlformats-officedocument.wordprocessingml.header+xml";
+ private static final String FOOTER_CONTENT_TYPE =
+ "application/vnd.openxmlformats-officedocument.wordprocessingml.footer+xml";
+ private static final String HEADER_REL_TYPE =
+ "http://schemas.openxmlformats.org/officeDocument/2006/relationships/header";
+ private static final String FOOTER_REL_TYPE =
+ "http://schemas.openxmlformats.org/officeDocument/2006/relationships/footer";
+ private static final String IMAGE_REL_TYPE =
+ "http://schemas.openxmlformats.org/officeDocument/2006/relationships/image";
+
+ private DocToDocx() {
+ }
+
+ /**
+ * Конвертирует байты .doc в байты .docx для штатного пайплайна.
+ *
+ *
Число страниц здесь НЕ проверяется — это ответственность
+ * {@code WordPdfValidator.checkPageCountDoc} (тот же разбор через
+ * {@link #countPages(byte[])}, но до всякой конвертации).
+ *
+ * @param docBytes контейнер Word 97–2003
+ * @throws ValidationException на некорректном/зашифрованном/чужом входе
+ */
+ public static byte[] convert(byte[] docBytes) {
+ DocFile file = DocFile.open(docBytes);
+ FibHeader fib = file.fib();
+ FontTable fonts = FontTable.read(file.table(), fib.fcSttbfFfn(), fib.lcbSttbfFfn());
+ PapxIndex papx = PapxIndex.read(file.table(), fib.fcPlcfBtePapx(), fib.lcbPlcfBtePapx(),
+ file.wordDocument());
+ Sections sections = Sections.read(file.table(), fib.fcPlcfSed(), fib.lcbPlcfSed(),
+ file.wordDocument());
+ ChpxIndex chpx = ChpxIndex.read(file.table(), fib.fcPlcfBteChpx(), fib.lcbPlcfBteChpx(),
+ file.wordDocument());
+ Headers headers = Headers.read(file.table(), fib.fcPlcfHdd(), fib.lcbPlcfHdd(),
+ fib.ccpText() + fib.ccpFtn());
+ List parts = new ArrayList<>();
+ DocxBody body = new DocxBody(file.pieces(), chpx, papx, fonts, fib.ccpText(),
+ CfbReader.stream(file.streams(), "Data"), parts);
+ String headerRelId = null;
+ String footerRelId = null;
+ // Odd header/footer секции 0 → type="default" (FOP не различает
+ // чётные/нечётные); guard-абзац истории отбрасывается
+ Headers.Story hdr = headers.oddHeader(0);
+ if (hdr.hasContent()) {
+ parts.add(new DocxWriter.Part("word/header1.xml", HEADER_CONTENT_TYPE,
+ HEADER_REL_TYPE,
+ DocxWriter.storyPart("w:hdr",
+ body.buildRange(hdr.cpStart(), hdr.contentEnd(), true))));
+ headerRelId = "rId" + parts.size();
+ }
+ Headers.Story ftr = headers.oddFooter(0);
+ if (ftr.hasContent()) {
+ parts.add(new DocxWriter.Part("word/footer1.xml", FOOTER_CONTENT_TYPE,
+ FOOTER_REL_TYPE,
+ DocxWriter.storyPart("w:ftr",
+ body.buildRange(ftr.cpStart(), ftr.contentEnd(), true))));
+ footerRelId = "rId" + parts.size();
+ }
+ return DocxWriter.write(body.build(sections, headerRelId, footerRelId), parts);
+ }
+
+ /**
+ * Нижняя оценка числа страниц бинарного .doc (кэш PageCount + явные
+ * разрывы) — для {@code WordPdfValidator.checkPageCountDoc}.
+ *
+ * @throws ValidationException на некорректном/зашифрованном/чужом входе
+ */
+ public static int countPages(byte[] docBytes) {
+ return DocFile.open(docBytes).countPages();
+ }
+
+ /** Текст CP 0..ccpText → XML-тело {@code }. */
+ private static final class DocxBody {
+
+ private final PieceTable pieces;
+ private final ChpxIndex chpx;
+ private final PapxIndex papx;
+ private final FontTable fonts;
+ private final int ccpText;
+ /** Data-поток (.doc) для BLIP по sprmCPicLocation. */
+ private final byte[] dataStream;
+ /** Части пакета (колонтитуки + media); id связи = rId{позиция+1}. */
+ private final List parts;
+ private final Deque fieldStack = new ArrayDeque<>();
+ /** Состояние полей текущего buildRange (сбрасывается на входе). */
+ private boolean fieldsAsSimple;
+ private final StringBuilder instr = new StringBuilder();
+ private boolean capturing;
+ private int fldSimpleOpen;
+
+ DocxBody(PieceTable pieces, ChpxIndex chpx, PapxIndex papx, FontTable fonts,
+ int ccpText, byte[] dataStream, List parts) {
+ this.pieces = pieces;
+ this.chpx = chpx;
+ this.papx = papx;
+ this.fonts = fonts;
+ this.ccpText = ccpText;
+ this.dataStream = dataStream;
+ this.parts = parts;
+ }
+
+ String build(Sections sections, String headerRelId, String footerRelId) {
+ return buildRange(0, ccpText, false)
+ + sectPr(sections, headerRelId, footerRelId);
+ }
+
+ /**
+ * Абзацы CP-диапазона [from, to) без sectPr — основной текст или
+ * история колонтитука. {@code fieldsAsSimple}: поля PAGE/NUMPAGES/
+ * SECTIONPAGES (первый токен инструкции, §2.9.133) → {@code w:fldSimple}
+ * (FOP пере-вычисляет их, кэш результата отбрасывается); прочие поля —
+ * как в теле: инструкция скрыта, кэш-результат сохранён.
+ */
+ String buildRange(int from, int to, boolean fieldsAsSimple) {
+ this.fieldsAsSimple = fieldsAsSimple;
+ fieldStack.clear();
+ instr.setLength(0);
+ capturing = false;
+ fldSimpleOpen = 0;
+ StringBuilder body = new StringBuilder();
+ int cp = from;
+ while (cp < to) {
+ int paraStart = cp;
+ StringBuilder runs = new StringBuilder();
+ char termMark = 0;
+ while (cp < to) {
+ char ch = pieces.charAt(cp);
+ if (ch == PARA_MARK || ch == CELL_MARK) {
+ termMark = ch;
+ cp++;
+ break;
+ }
+ long fc = pieces.fcOf(cp);
+ byte[] grpprl = chpx.grpprlFor(fc);
+ int step = pieces.step(cp);
+ long rangeEnd = chpx.rangeEnd(fc, Long.MAX_VALUE >>> 1);
+ int runEnd = (int) Math.max(cp + 1L, Math.min(
+ pieces.nextPieceBoundary(cp, to),
+ cp + (rangeEnd - fc) / step));
+ cp = emitRun(runs, cp, runEnd, grpprl);
+ }
+ emitPara(body, paraStart, runs, termMark);
+ }
+ return body.toString();
+ }
+
+ /** Один ран свойств CHPX; возвращает CP после рана. */
+ private int emitRun(StringBuilder runs, int cpStart, int cpEnd, byte[] grpprl) {
+ String rPr = runProps(grpprl);
+ StringBuilder content = new StringBuilder();
+ StringBuilder text = new StringBuilder();
+ int cp = cpStart;
+ while (cp < cpEnd) {
+ char ch = pieces.charAt(cp);
+ if (ch == PARA_MARK || ch == CELL_MARK) {
+ // CHPX-ран может простираться за границу абзаца/ячейки —
+ // саму границу не потребляем, её видит внешний цикл
+ break;
+ }
+ switch (ch) {
+ case TAB:
+ flushText(text, content);
+ if (capturing) {
+ instr.append(' ');
+ } else if (visible()) {
+ content.append("");
+ }
+ break;
+ case LINE_BREAK:
+ flushText(text, content);
+ if (visible()) {
+ content.append("");
+ }
+ break;
+ case PAGE_OR_SECTION_BREAK:
+ flushText(text, content);
+ if (visible()) {
+ content.append("");
+ }
+ break;
+ case FIELD_BEGIN:
+ // fldSimple — sibling w:r, ран закрывается на границе поля
+ closeRun(runs, rPr, content, text);
+ if (fieldsAsSimple) {
+ instr.setLength(0);
+ capturing = true;
+ }
+ fieldStack.push(Boolean.FALSE);
+ break;
+ case FIELD_SEPARATOR:
+ closeRun(runs, rPr, content, text);
+ capturing = false;
+ if (!fieldStack.isEmpty()) {
+ fieldStack.pop();
+ fieldStack.push(Boolean.TRUE);
+ }
+ String field = fieldsAsSimple ? pageField(instr) : null;
+ if (field != null) {
+ runs.append("");
+ fldSimpleOpen++;
+ }
+ break;
+ case FIELD_END:
+ closeRun(runs, rPr, content, text);
+ if (fldSimpleOpen > 0) {
+ runs.append("");
+ fldSimpleOpen--;
+ }
+ if (!fieldStack.isEmpty()) {
+ fieldStack.pop();
+ }
+ break;
+ case EMBEDDED_OBJECT:
+ flushText(text, content);
+ if (visible()) {
+ emitPicture(runs, rPr, cp);
+ }
+ break;
+ case FOOTNOTE_REF:
+ case ANNOTATION_REF:
+ case DRAWN_OBJECT:
+ flushText(text, content);
+ break;
+ case NON_BREAKING_HYPHEN:
+ appendVisible(text, '\u2011');
+ break;
+ case SOFT_HYPHEN:
+ appendVisible(text, '\u00AD');
+ break;
+ default:
+ if (capturing) {
+ instr.append(ch);
+ } else if (ch < CONTROL_LIMIT) {
+ flushText(text, content);
+ } else {
+ appendVisible(text, ch);
+ }
+ break;
+ }
+ cp++;
+ }
+ closeRun(runs, rPr, content, text);
+ return cp;
+ }
+
+ /** Закрыть накопленный {@code }: fldSimple обязан лежать вне рана. */
+ private void closeRun(StringBuilder runs, String rPr, StringBuilder content,
+ StringBuilder text) {
+ flushText(text, content);
+ if (content.length() > 0) {
+ runs.append("").append(rPr).append(content).append("");
+ content.setLength(0);
+ }
+ }
+
+ /**
+ * U+0001 с {@code sprmCPicLocation} → inline-DrawingML на image-часть
+ * (та же форма, что плейсхолдеры {@code OleObjectNormalizer}); OLE-
+ * бинарник (NilPICFAndBinData) и битый/векторный BLIP — объект
+ * пропускается. CHPX берётся по CP самого символа: ран может
+ * простираться дальше картинки.
+ */
+ private void emitPicture(StringBuilder runs, String rPr, int cp) {
+ long picLoc = picLocationFor(chpx.grpprlFor(pieces.fcOf(cp)));
+ if (picLoc < 0) {
+ return;
+ }
+ OfficeArt.Picture pic = OfficeArt.read(dataStream, picLoc);
+ if (pic == null) {
+ return;
+ }
+ int imageNo = 1;
+ for (DocxWriter.Part p : parts) {
+ if (p.entry().startsWith("word/media/")) {
+ imageNo++;
+ }
+ }
+ String entry = "word/media/image" + imageNo + "." + pic.extension();
+ parts.add(new DocxWriter.Part(entry, pic.contentType(), IMAGE_REL_TYPE, pic.data()));
+ String relId = "rId" + parts.size();
+ runs.append("").append(rPr).append("")
+ .append("")
+ .append("")
+ .append("")
+ .append("")
+ .append("")
+ .append("")
+ .append("")
+ .append("")
+ .append("");
+ }
+
+ /** Операнд sprmCPicLocation из CHPX; -1 — атрибута нет. */
+ private static long picLocationFor(byte[] grpprl) {
+ long[] loc = {-1};
+ Grpprl.scan(grpprl, 0, grpprl.length, (sprm, buf, off, len) -> {
+ if (sprm == Grpprl.SPRM_C_PIC_LOCATION && len >= 4) {
+ loc[0] = Grpprl.operandInt(buf, off, len) & 0xFFFF_FFFFL;
+ }
+ });
+ return loc[0];
+ }
+
+ /**
+ * Имя поля PAGE-семейства по инструкции (§2.9.133): первый токен
+ * (регистронезависимо), суффиксы {@code \* MERGEFORMAT} и т.п. не
+ * мешают. Не PAGE-семейство → {@code null} (кэш-результат).
+ */
+ private static String pageField(CharSequence instruction) {
+ String s = instruction.toString().trim();
+ int end = 0;
+ while (end < s.length() && !Character.isWhitespace(s.charAt(end))) {
+ end++;
+ }
+ return switch (s.substring(0, end).toUpperCase(Locale.ROOT)) {
+ case "PAGE", "NUMPAGES", "SECTIONPAGES" -> s;
+ default -> null;
+ };
+ }
+
+ private boolean visible() {
+ return fieldStack.isEmpty() || fieldStack.peek();
+ }
+
+ private void appendVisible(StringBuilder text, char ch) {
+ if (visible()) {
+ text.append(ch);
+ }
+ }
+
+ private void flushText(StringBuilder text, StringBuilder content) {
+ if (text.length() > 0) {
+ content.append("").append(escape(text)).append("");
+ text.setLength(0);
+ }
+ }
+
+ private void emitPara(StringBuilder body, int paraStart, StringBuilder runs, char termMark) {
+ byte[] grpprl = papx.grpprlFor(pieces.fcOf(paraStart));
+ // Конец строки таблицы — пустой абзац с 0x07 и sprmPFTtp (§2.2):
+ // это не ячейка, в вывод не попадает
+ if (runs.length() == 0 && termMark == CELL_MARK && hasTtp(grpprl)) {
+ return;
+ }
+ String pPr = paraProps(grpprl);
+ if (runs.length() == 0 && pPr.isEmpty()) {
+ body.append("");
+ return;
+ }
+ body.append("").append(pPr).append(runs).append("");
+ }
+
+ private static boolean hasTtp(byte[] grpprl) {
+ boolean[] ttp = {false};
+ Grpprl.scan(grpprl, 0, grpprl.length, (sprm, buf, off, len) -> {
+ if (sprm == Grpprl.SPRM_P_F_TTP) {
+ ttp[0] = Grpprl.toggleOn(buf, off);
+ }
+ });
+ return ttp[0];
+ }
+
+ /** rPr по CHPX-порядку CT_RPr: rFonts, b, i, strike, color, sz, szCs, u. */
+ private String runProps(byte[] grpprl) {
+ RunProps p = new RunProps();
+ Grpprl.scan(grpprl, 0, grpprl.length, (sprm, buf, off, len) -> {
+ switch (sprm) {
+ case Grpprl.SPRM_C_F_BOLD -> p.bold = Grpprl.toggleOn(buf, off);
+ case Grpprl.SPRM_C_F_ITALIC -> p.italic = Grpprl.toggleOn(buf, off);
+ case Grpprl.SPRM_C_F_STRIKE -> p.strike = Grpprl.toggleOn(buf, off);
+ case Grpprl.SPRM_C_KUL -> p.underline = Grpprl.operandInt(buf, off, len) != 0;
+ case Grpprl.SPRM_C_HPS -> p.sz = Grpprl.operandInt(buf, off, len);
+ case Grpprl.SPRM_C_HPS_BI -> p.szCs = Grpprl.operandInt(buf, off, len);
+ case Grpprl.SPRM_C_RG_FTC0 -> p.ftc0 = Grpprl.operandInt(buf, off, len);
+ case Grpprl.SPRM_C_RG_FTC1 -> p.ftc1 = Grpprl.operandInt(buf, off, len);
+ case Grpprl.SPRM_C_CV -> p.color = colorOf(buf, off, len);
+ default -> { }
+ }
+ });
+ StringBuilder xml = new StringBuilder();
+ String ascii = p.ftc0 >= 0 ? fonts.font(p.ftc0) : null;
+ String cs = p.ftc1 >= 0 ? fonts.font(p.ftc1) : null;
+ if (ascii != null || cs != null) {
+ xml.append("");
+ }
+ if (p.bold) {
+ xml.append("");
+ }
+ if (p.italic) {
+ xml.append("");
+ }
+ if (p.strike) {
+ xml.append("");
+ }
+ if (p.color != null) {
+ xml.append("");
+ }
+ if (p.sz > 0) {
+ xml.append("");
+ }
+ if (p.szCs > 0) {
+ xml.append("");
+ }
+ if (p.underline) {
+ xml.append("");
+ }
+ return xml.length() == 0 ? "" : "" + xml + "";
+ }
+
+ /** pPr по CT_PPr: pageBreakBefore, ind, jc. */
+ private String paraProps(byte[] grpprl) {
+ int[] jc = {-1};
+ int[] left = {-1};
+ int[] right = {-1};
+ int[] left1 = {Integer.MIN_VALUE};
+ boolean[] pageBreak = {false};
+ Grpprl.scan(grpprl, 0, grpprl.length, (sprm, buf, off, len) -> {
+ switch (sprm) {
+ case Grpprl.SPRM_P_JC80, Grpprl.SPRM_P_JC -> jc[0] =
+ Grpprl.operandInt(buf, off, len);
+ case Grpprl.SPRM_P_F_PAGE_BREAK_BEFORE -> pageBreak[0] =
+ Grpprl.toggleOn(buf, off);
+ case Grpprl.SPRM_P_DXA_LEFT -> left[0] = Grpprl.operandInt(buf, off, len);
+ case Grpprl.SPRM_P_DXA_RIGHT -> right[0] = Grpprl.operandInt(buf, off, len);
+ case Grpprl.SPRM_P_DXA_LEFT1 -> left1[0] = signedXas(buf, off, len);
+ default -> { }
+ }
+ });
+ StringBuilder xml = new StringBuilder();
+ if (pageBreak[0]) {
+ xml.append("");
+ }
+ boolean hasInd = left[0] > 0 || right[0] > 0
+ || (left1[0] != Integer.MIN_VALUE && left1[0] != 0);
+ if (hasInd) {
+ xml.append(" 0) {
+ xml.append(" w:left=\"").append(left[0]).append('"');
+ }
+ if (right[0] > 0) {
+ xml.append(" w:right=\"").append(right[0]).append('"');
+ }
+ if (left1[0] != Integer.MIN_VALUE && left1[0] != 0) {
+ // sprmPDxaLeft1 — отступ первой строки ОТНОСИТЕЛЬНО остального
+ // абзаца (XAS со знаком): >0 выступ (firstLine), <0 висющий
+ if (left1[0] > 0) {
+ xml.append(" w:firstLine=\"").append(left1[0]).append('"');
+ } else {
+ xml.append(" w:hanging=\"").append(-left1[0]).append('"');
+ }
+ }
+ xml.append("/>");
+ }
+ String jcVal = switch (jc[0]) {
+ case 1 -> "center";
+ case 2 -> "right";
+ case 3 -> "both";
+ case 4 -> "distribute";
+ default -> null;
+ };
+ if (jcVal != null) {
+ xml.append("");
+ }
+ return xml.length() == 0 ? "" : "" + xml + "";
+ }
+
+ /** XAS-операнд со знаком (§2.6.2): 2-байтовый отрицательный — старший бит. */
+ private static int signedXas(byte[] buf, int off, int len) {
+ int v = Grpprl.operandInt(buf, off, len);
+ if (len == 2 && (v & 0x8000) != 0) {
+ v -= 0x10000;
+ }
+ return v;
+ }
+
+ /** COLORREF (§2.9.43): red, green, blue, fAuto; cvAuto не эмитится. */
+ private static String colorOf(byte[] buf, int off, int len) {
+
+ if (len < 4 || (buf[off + 3] & 0xFF) == 0xFF) {
+ return null;
+ }
+ return String.format("%02X%02X%02X", buf[off] & 0xFF, buf[off + 1] & 0xFF,
+ buf[off + 2] & 0xFF);
+ }
+
+ private static String sectPr(Sections s, String headerRelId, String footerRelId) {
+ StringBuilder xml = new StringBuilder("");
+ // EG_HdrFtrReferences — до содержимого секции (CT_SectPr, ECMA-376 §17.2.3)
+ if (headerRelId != null) {
+ xml.append("");
+ }
+ if (footerRelId != null) {
+ xml.append("");
+ }
+ xml.append("");
+ return xml.toString();
+ }
+
+ private static String escape(StringBuilder text) {
+ StringBuilder out = new StringBuilder(text.length() + 16);
+ for (int i = 0; i < text.length(); i++) {
+ char ch = text.charAt(i);
+ switch (ch) {
+ case '&' -> out.append("&");
+ case '<' -> out.append("<");
+ case '>' -> out.append(">");
+ default -> out.append(ch);
+ }
+ }
+ return out.toString();
+ }
+
+ private static String escapeAttr(String value) {
+ StringBuilder out = new StringBuilder(value.length() + 8);
+ for (int i = 0; i < value.length(); i++) {
+ char ch = value.charAt(i);
+ switch (ch) {
+ case '&' -> out.append("&");
+ case '<' -> out.append("<");
+ case '"' -> out.append(""");
+ default -> out.append(ch);
+ }
+ }
+ return out.toString();
+ }
+
+ /** Прямые символьные свойства рана (last-wins по порядку Prl). */
+ private static final class RunProps {
+ private boolean bold;
+ private boolean italic;
+ private boolean strike;
+ private boolean underline;
+ private int sz;
+ private int szCs;
+ private int ftc0 = -1;
+ private int ftc1 = -1;
+ private String color;
+ }
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/DocxWriter.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/DocxWriter.java
new file mode 100644
index 0000000..7443c1b
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/DocxWriter.java
@@ -0,0 +1,128 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import java.io.ByteArrayOutputStream;
+import java.io.IOException;
+import java.nio.charset.StandardCharsets;
+import java.util.LinkedHashSet;
+import java.util.List;
+import java.util.Set;
+import java.util.zip.ZipEntry;
+import java.util.zip.ZipOutputStream;
+
+/**
+ * Сборка минимального transitional-OOXML пакета (.docx) из тела
+ * {@code } и дополнительных частей (колонтитуки, картинки).
+ *
+ *
Части: [Content_Types].xml, _rels/.rels, word/_rels/document.xml.rels,
+ * word/document.xml + переданные {@link Part}. Ссылки частей получают
+ * {@code rId1…} в порядке списка (officeDocument — только в _rels/.rels,
+ * self-ссылка в rels документа недопустима); вызывающий обязан
+ * использовать те же id в {@code w:headerReference}/{@code w:pic}. XML-части
+ * идут в [Content_Types].xml как Override, медиа — как Default по расширению
+ * (дедупликация по расширению). Байты уходят в штатный пайплайн docx4j
+ * (шаги 1–7 {@code WordPdfConverter}).
+ */
+final class DocxWriter {
+
+ /** Часть пакета кроме document.xml: zip-запись, content-type, тип связи, байты. */
+ record Part(String entry, String contentType, String relType, byte[] content) {
+ }
+
+ /** Пространства имён корня document.xml/hdr/ftr: w + r (rels) + DrawingML. */
+ static final String NAMESPACES = "xmlns:w=\"http://schemas.openxmlformats.org/wordprocessingml/2006/main\""
+ + " xmlns:r=\"http://schemas.openxmlformats.org/officeDocument/2006/relationships\""
+ + " 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\"";
+
+ private static final String XML_DECL = "";
+
+ private static final String ROOT_RELS = XML_DECL
+ + ""
+ + "";
+
+ private DocxWriter() {
+ }
+
+ /**
+ * Пакет из готового XML-тела {@code } (без самого элемента)
+ * и дополнительных частей (их id — {@code rId2…} по порядку списка).
+ */
+ static byte[] write(String bodyXml, List parts) {
+ String document = XML_DECL + ""
+ + bodyXml + "";
+ ByteArrayOutputStream bos = new ByteArrayOutputStream(1 << 14);
+ try (ZipOutputStream zip = new ZipOutputStream(bos, StandardCharsets.UTF_8)) {
+ put(zip, "[Content_Types].xml", contentTypes(parts));
+ put(zip, "_rels/.rels", ROOT_RELS);
+ put(zip, "word/_rels/document.xml.rels", documentRels(parts));
+ put(zip, "word/document.xml", document);
+ for (Part part : parts) {
+ zip.putNextEntry(new ZipEntry(part.entry()));
+ zip.write(part.content());
+ zip.closeEntry();
+ }
+ } catch (IOException e) {
+ throw new IllegalStateException("Не удалось собрать .docx из .doc", e);
+ }
+ return bos.toByteArray();
+ }
+
+ /** XML-часть колонтитука: {@code }/{@code } с полным набором имён. */
+ static byte[] storyPart(String rootElement, String paragraphsXml) {
+ return (XML_DECL + "<" + rootElement + " " + NAMESPACES + ">"
+ + paragraphsXml + "" + rootElement + ">").getBytes(StandardCharsets.UTF_8);
+ }
+
+ private static String contentTypes(List parts) {
+ StringBuilder xml = new StringBuilder(XML_DECL)
+ .append("")
+ .append("")
+ .append("");
+ Set mediaExtensions = new LinkedHashSet<>();
+ for (Part part : parts) {
+ if (part.entry().endsWith(".xml")) {
+ xml.append("");
+ } else {
+ int dot = part.entry().lastIndexOf('.');
+ String ext = dot < 0 ? part.entry() : part.entry().substring(dot + 1);
+ if (mediaExtensions.add(ext)) {
+ xml.append("");
+ }
+ }
+ }
+ xml.append("");
+ return xml.toString();
+ }
+
+ /**
+ * Связи document.xml: части в порядке списка (rId1…). officeDocument
+ * здесь нет — он только в _rels/.rels; self-ссылка зациклила бы
+ * docx4j {@code PartialDeepCopy.deepCopyRelationships}.
+ */
+ private static String documentRels(List parts) {
+ StringBuilder xml = new StringBuilder(XML_DECL)
+ .append("");
+ for (int i = 0; i < parts.size(); i++) {
+ Part part = parts.get(i);
+ String target = part.entry().startsWith("word/")
+ ? part.entry().substring("word/".length()) : part.entry();
+ xml.append("");
+ }
+ return xml.append("").toString();
+ }
+
+ private static void put(ZipOutputStream zip, String name, String content) throws IOException {
+ zip.putNextEntry(new ZipEntry(name));
+ zip.write(content.getBytes(StandardCharsets.UTF_8));
+ zip.closeEntry();
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/FibHeader.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/FibHeader.java
new file mode 100644
index 0000000..dfee9ab
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/FibHeader.java
@@ -0,0 +1,208 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import ru.pjandro.wordpdf.ValidationException;
+
+/**
+ * Разбор File Information Block (FIB) — заголовка WordDocument-потока.
+ *
+ *
По [MS-DOC] §2.5: Fib = FibBase (32) + csw + FibRgW97 + cslw + FibRgLw97
+ * + cbRgFcLcb + FibRgFcLcbBlob (§2.5.1). Читаются только нужные поля;
+ * порядок и смещения — §2.5.15 «How to read the FIB», побайтовые примеры —
+ * §3 (Figure 22/30). Число 136 пар в blob (Word 2003+) не мешает: нужные
+ * пары стоят на фиксированных индексах.
+ */
+final class FibHeader {
+
+ /** Магическое число Word Binary File (§2.5.2, wIdent). */
+ private static final int W_IDENT = 0xA5EC;
+
+ /** Минимальная версия — Word 97 (§2.5.14 «Determining the nFib»). */
+ private static final int N_FIB_WORD97 = 0x00C1;
+
+ /** Смещения FibBase (§2.5.2). */
+ private static final int OFF_W_IDENT = 0;
+ private static final int OFF_N_FIB = 2;
+ private static final int OFF_FLAGS = 10;
+ private static final int BIT_F_ENCRYPTED = 8;
+ private static final int BIT_F_WHICH_TBL_STM = 9;
+
+ /** Значение бита флага «включён» (§2.5.2, grpprl FIB). */
+ private static final int BIT_ON = 1;
+
+ /** Минимум FibRgW97 (4 коротких значения, §2.5.4). */
+ private static final int MIN_CSLW = 4;
+
+ /** Смещения после FibBase (§2.5.1). */
+ private static final int OFF_CSLW = 62;
+ private static final int OFF_FIB_RG_LW = 64;
+ private static final int OFF_CB_MAC = OFF_FIB_RG_LW;
+ private static final int OFF_CCP_TEXT = OFF_FIB_RG_LW + 3 * 4;
+ private static final int OFF_CCP_FTN = OFF_FIB_RG_LW + 4 * 4;
+ private static final int OFF_CCP_HDD = OFF_FIB_RG_LW + 5 * 4;
+ private static final int OFF_CB_RG_FC_LCB = 152;
+ private static final int OFF_BLOB = 154;
+
+ /** Индексы пар (fc,lcb) в FibRgFcLcb97 (§2.5.6, порядок полей). */
+ private static final int PAIR_PLCF_SED = 6;
+ private static final int PAIR_PLCF_HDD = 11;
+ private static final int PAIR_PLCF_BTE_CHPX = 12;
+ private static final int PAIR_PLCF_BTE_PAPX = 13;
+ private static final int PAIR_STTBF_FFN = 15;
+ private static final int PAIR_CLX = 33;
+
+ private final int ccpText;
+ private final int ccpFtn;
+ private final int ccpHdd;
+ private final int cbMac;
+ private final boolean use1Table;
+ private final long fcPlcfSed;
+ private final long lcbPlcfSed;
+ private final long fcPlcfHdd;
+ private final long lcbPlcfHdd;
+ private final long fcPlcfBteChpx;
+ private final long lcbPlcfBteChpx;
+ private final long fcPlcfBtePapx;
+ private final long lcbPlcfBtePapx;
+ private final long fcSttbfFfn;
+ private final long lcbSttbfFfn;
+ private final long fcClx;
+ private final long lcbClx;
+
+ private FibHeader(byte[] wd) {
+ int wIdent = (int) CfbReader.u32(wd, OFF_W_IDENT) & 0xFFFF;
+ int nFib = (int) CfbReader.u32(wd, OFF_N_FIB) & 0xFFFF;
+ if (wIdent != W_IDENT) {
+ throw new ValidationException("Содержимое не похоже на .doc Word 97–2003");
+ }
+ if (nFib < N_FIB_WORD97) {
+ throw new ValidationException("Поддерживаются только документы Word 97–2003");
+ }
+ int flags = (int) CfbReader.u32(wd, OFF_FLAGS) & 0xFFFF;
+ if (((flags >> BIT_F_ENCRYPTED) & BIT_ON) == BIT_ON) {
+ throw new ValidationException("Документ зашифрован (пароль на открытие) — конвертация невозможна");
+ }
+ use1Table = ((flags >> BIT_F_WHICH_TBL_STM) & BIT_ON) == BIT_ON;
+ int cslw = (int) CfbReader.u32(wd, OFF_CSLW) & 0xFFFF;
+ if (cslw < MIN_CSLW) {
+ throw new ValidationException("Обрезанный FIB в .doc");
+ }
+ cbMac = (int) CfbReader.u32(wd, OFF_CB_MAC);
+ ccpText = (int) CfbReader.u32(wd, OFF_CCP_TEXT);
+ ccpFtn = (int) CfbReader.u32(wd, OFF_CCP_FTN);
+ ccpHdd = (int) CfbReader.u32(wd, OFF_CCP_HDD);
+ if (ccpText < 0) {
+ throw new ValidationException("Отрицательная длина текста в .doc");
+ }
+ int cbRgFcLcb = (int) CfbReader.u32(wd, OFF_CB_RG_FC_LCB) & 0xFFFF;
+ if (cbRgFcLcb <= PAIR_CLX) {
+ throw new ValidationException("Устаревшая структура FIB в .doc");
+ }
+ long[] sed = pair(wd, PAIR_PLCF_SED);
+ fcPlcfSed = sed[0];
+ lcbPlcfSed = sed[1];
+ long[] hdd = pair(wd, PAIR_PLCF_HDD);
+ fcPlcfHdd = hdd[0];
+ lcbPlcfHdd = hdd[1];
+ long[] chpx = pair(wd, PAIR_PLCF_BTE_CHPX);
+ fcPlcfBteChpx = chpx[0];
+ lcbPlcfBteChpx = chpx[1];
+ long[] papx = pair(wd, PAIR_PLCF_BTE_PAPX);
+ fcPlcfBtePapx = papx[0];
+ lcbPlcfBtePapx = papx[1];
+ long[] ffn = pair(wd, PAIR_STTBF_FFN);
+ fcSttbfFfn = ffn[0];
+ lcbSttbfFfn = ffn[1];
+ long[] clx = pair(wd, PAIR_CLX);
+ fcClx = clx[0];
+ lcbClx = clx[1];
+ }
+
+ /** Точка входа: разбор WordDocument-потока. */
+ static FibHeader read(byte[] wordDocument) {
+ if (wordDocument.length < OFF_BLOB) {
+ throw new ValidationException("Содержимое не похоже на .doc Word 97–2003");
+ }
+ return new FibHeader(wordDocument);
+ }
+
+ private static long[] pair(byte[] wd, int index) {
+ int off = OFF_BLOB + index * 8;
+ if (off + 8 > wd.length) {
+ throw new ValidationException("Обрезанный FIB в .doc");
+ }
+ return new long[] {CfbReader.u32(wd, off), CfbReader.u32(wd, off + 4)};
+ }
+
+ /** Число CP основного текста (§2.5.4 ccpText). */
+ int ccpText() {
+ return ccpText;
+ }
+
+ /** Число CP сносок (§2.5.4 ccpFtn) — стори колонтитуков идут после них. */
+ int ccpFtn() {
+ return ccpFtn;
+ }
+
+ /** Число CP колонтитуков (§2.5.4 ccpHdd). */
+ int ccpHdd() {
+ return ccpHdd;
+ }
+
+ /** Предел значимых байт WordDocument-потока (§2.5.4 cbMac). */
+ int cbMac() {
+ return cbMac;
+ }
+
+ /** Табличный поток — {@code 1Table} при true, иначе {@code 0Table} (§2.2). */
+ boolean use1Table() {
+ return use1Table;
+ }
+
+ long fcPlcfSed() {
+ return fcPlcfSed;
+ }
+
+ long lcbPlcfSed() {
+ return lcbPlcfSed;
+ }
+
+ long fcPlcfHdd() {
+ return fcPlcfHdd;
+ }
+
+ long lcbPlcfHdd() {
+ return lcbPlcfHdd;
+ }
+
+ long fcPlcfBteChpx() {
+ return fcPlcfBteChpx;
+ }
+
+ long lcbPlcfBteChpx() {
+ return lcbPlcfBteChpx;
+ }
+
+ long fcPlcfBtePapx() {
+ return fcPlcfBtePapx;
+ }
+
+ long lcbPlcfBtePapx() {
+ return lcbPlcfBtePapx;
+ }
+
+ long fcSttbfFfn() {
+ return fcSttbfFfn;
+ }
+
+ long lcbSttbfFfn() {
+ return lcbSttbfFfn;
+ }
+
+ long fcClx() {
+ return fcClx;
+ }
+
+ long lcbClx() {
+ return lcbClx;
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/FontTable.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/FontTable.java
new file mode 100644
index 0000000..fde05de
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/FontTable.java
@@ -0,0 +1,61 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import ru.pjandro.wordpdf.ValidationException;
+
+import java.nio.charset.StandardCharsets;
+import java.util.ArrayList;
+import java.util.List;
+
+/**
+ * Таблица шрифтов SttbfFfn — имена по индексам sprmCRgFtc0/1.
+ *
+ *
Значения sprm — таблицы §2.6.1/2.6.2/2.6.3 dated-.docx [MS-DOC] 12.5
+ * (в md репозитория потеряны как [TABLE]); кросс-чек с примерами §3:
+ * sprmPJc = 0x2461, sprmSDxaLeft = 0xB021, sprmCKul ispmd 0x3E fSpec 1.
+ */
+final class Grpprl {
+
+ // Character Properties (§2.6.1, sgc 2)
+ static final int SPRM_C_F_BOLD = 0x0835;
+ static final int SPRM_C_F_ITALIC = 0x0836;
+ static final int SPRM_C_F_STRIKE = 0x0837;
+ static final int SPRM_C_KUL = 0x2A3E;
+ static final int SPRM_C_HPS = 0x4A43;
+ static final int SPRM_C_HPS_BI = 0x4A61;
+ static final int SPRM_C_RG_FTC0 = 0x4A4F;
+ static final int SPRM_C_RG_FTC1 = 0x4A50;
+ static final int SPRM_C_CV = 0x6870;
+ /**
+ * sprmCPicLocation (§2.6.1, 4 байта): offset в Data-потоке —
+ * PICFAndOfficeArtData (картинка) или NilPICFAndBinData (OLE-бинарник,
+ * {@code picf.cbHeader≠0x44} → {@link OfficeArt#read} вернёт null).
+ * sprmCFSpec=0x0875/sprmCFData=0x0806/sprmCFOle2=0x084B не читаем:
+ * фикстуры пишут их непоследовательно (ole-embedded — без CFSpec),
+ * а различает картинку/бинарник сам cbHeader.
+ */
+ static final int SPRM_C_PIC_LOCATION = 0x6A03;
+
+ // Paragraph Properties (§2.6.2, sgc 1)
+ static final int SPRM_P_JC80 = 0x2403;
+ static final int SPRM_P_F_PAGE_BREAK_BEFORE = 0x2407;
+ static final int SPRM_P_F_TTP = 0x2417;
+ static final int SPRM_P_JC = 0x2461;
+ static final int SPRM_P_DXA_RIGHT = 0x845D;
+ static final int SPRM_P_DXA_LEFT = 0x845E;
+ static final int SPRM_P_DXA_LEFT1 = 0x8460;
+
+ // Section Properties (§2.6.3, sgc 4)
+ static final int SPRM_S_DYA_HDR_TOP = 0xB017;
+ static final int SPRM_S_DYA_HDR_BOTTOM = 0xB018;
+ static final int SPRM_S_XA_PAGE = 0xB01F;
+ static final int SPRM_S_YA_PAGE = 0xB020;
+ static final int SPRM_S_DXA_LEFT = 0xB021;
+ static final int SPRM_S_DXA_RIGHT = 0xB022;
+ static final int SPRM_S_DYA_TOP = 0x9023;
+ static final int SPRM_S_DYA_BOTTOM = 0x9024;
+ static final int SPRM_S_BKC = 0x3009;
+
+ /** Вызывается на каждый Prl в порядке следования (last-wins у вызывающего). */
+ interface PrlSink {
+ /**
+ * @param sprm 16-битный sprm
+ * @param buf буфер с операндом
+ * @param off смещение операнда в buf
+ * @param len длина операнда (0 для spra=0 без байта — не встречается)
+ */
+ void prl(int sprm, byte[] buf, int off, int len);
+ }
+
+ private Grpprl() {
+ }
+
+ /**
+ * Обходит grpprl {@code buf[off..off+len)}, вызывая sink на каждый Prl.
+ * Битый хвост (операнд не влезает) — обрыв без исключения: свойства
+ * перестают применяться, документ не отбрасывается.
+ */
+ static void scan(byte[] buf, int off, int len, PrlSink sink) {
+ int p = off;
+ int end = off + len;
+ while (p + 2 <= end) {
+ int sprm = (buf[p] & 0xFF) | ((buf[p + 1] & 0xFF) << 8);
+ p += 2;
+ int size = operandSize(sprm, buf, p, end);
+ if (size < 0 || p + size > end) {
+ return;
+ }
+ sink.prl(sprm, buf, p, size);
+ p += size;
+ }
+ }
+
+ /** Длина операнда по spra; -1 — переменный формат битый. */
+ private static int operandSize(int sprm, byte[] buf, int p, int end) {
+ int spra = sprm >> 13;
+ switch (spra) {
+ case 0: // ToggleOperand — 1 байт
+ case 1:
+ return 1;
+ case 2:
+ case 4:
+ case 5:
+ return 2;
+ case 3:
+ return 4;
+ case 7:
+ return 3;
+ case 6: { // переменный: первый байт — длина остального
+ if (p >= end) {
+ return -1;
+ }
+ return 1 + (buf[p] & 0xFF);
+ }
+ default:
+ return -1;
+ }
+ }
+
+ /** Операнд как unsigned int (младшие байты). */
+ static int operandInt(byte[] buf, int off, int len) {
+ int v = 0;
+ for (int i = 0; i < len && i < 4; i++) {
+ v |= (buf[off + i] & 0xFF) << (8 * i);
+ }
+ return v;
+ }
+
+ /** Toggle-операнд: бит 0 = on; чётное («переключить от предыдущего») = off. */
+ static boolean toggleOn(byte[] buf, int off) {
+ return (buf[off] & 1) == 1;
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/Headers.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/Headers.java
new file mode 100644
index 0000000..41dd6b4
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/Headers.java
@@ -0,0 +1,89 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import ru.pjandro.wordpdf.ValidationException;
+
+/**
+ * Header Document (.doc): истории колонтитуков по {@code Plcfhdd}
+ * ([MS-DOC] §2.8.22 — PLC из одних CP; §2.4.4 — порядок историй).
+ *
+ *
Массив aCP размечает подряд идущие CP-диапазоны: первые шесть — пустые
+ * абзацы-разделители, далее на каждую секцию шесть историй
+ * [even header, odd header, even footer, odd footer, first-page header,
+ * first-page footer]; последний aCP (§2.8.22 «the last CP is ignored») в
+ * расчёт не входит. Каждая история заканчивается guard-абзацем (¶), который
+ * в вывод не попадает.
+ *
+ *
В перенос идут odd header/footer секции 0 как {@code type="default"} —
+ * FOP не различает чётные/нечётные страницы, а {@code titlePg} (первая
+ * страница) в первом инкременте не поддерживается.
+ */
+final class Headers {
+
+ /** CP-диапазон одной истории [cpStart, cpEnd); последний ¶ — guard-абзац. */
+ record Story(int cpStart, int cpEnd) {
+
+ /** Есть ли содержимое за пределами guard-абзаца. */
+ boolean hasContent() {
+ return cpEnd - cpStart > 1;
+ }
+
+ /** Конец содержимого (без guard-¶). */
+ int contentEnd() {
+ return cpEnd - 1;
+ }
+ }
+
+ /** Пустых абзацев-разделителей перед историями первой секции (§2.4.4). */
+ private static final int SEPARATOR_STORIES = 6;
+ /** Историй на секцию (§2.4.4). */
+ private static final int STORIES_PER_SECTION = 6;
+ /** Индексы внутри группы секции: 0 even hdr, 1 odd hdr, 2 even ftr, 3 odd ftr… */
+ private static final int ODD_HEADER = 1;
+ private static final int ODD_FOOTER = 3;
+
+ private final int[] aCp;
+
+ private Headers(byte[] table, long fcPlcfHdd, long lcbPlcfHdd, int baseCp) {
+ if (lcbPlcfHdd <= 0) {
+ aCp = new int[0];
+ return;
+ }
+ if (fcPlcfHdd < 0 || fcPlcfHdd + lcbPlcfHdd > table.length) {
+ throw new ValidationException("Plcfhdd выходит за табличный поток в .doc");
+ }
+ if (lcbPlcfHdd % 4 != 0) {
+ throw new ValidationException("Битый Plcfhdd в .doc");
+ }
+ int n = (int) (lcbPlcfHdd / 4);
+ aCp = new int[n];
+ for (int i = 0; i < n; i++) {
+ // aCP относительны начала Header Document (§2.8.22: penultimate =
+ // ccpHdd−1); абсолютный CP = ccpText + ccpFtn + aCP
+ aCp[i] = baseCp + (int) CfbReader.u32(table, (int) fcPlcfHdd + i * 4);
+ if (i > 0 && aCp[i] < aCp[i - 1]) {
+ throw new ValidationException("Невозрастающие aCP в Plcfhdd .doc");
+ }
+ }
+ }
+
+ static Headers read(byte[] table, long fcPlcfHdd, long lcbPlcfHdd, int baseCp) {
+ return new Headers(table, fcPlcfHdd, lcbPlcfHdd, baseCp);
+ }
+
+ /** Заголовок нечётных полос набора секции {@code section} (§2.4.4). */
+ Story oddHeader(int section) {
+ return story(SEPARATOR_STORIES + section * STORIES_PER_SECTION + ODD_HEADER);
+ }
+
+ /** Колонтитул нечётных полос набора секции {@code section} (§2.4.4). */
+ Story oddFooter(int section) {
+ return story(SEPARATOR_STORIES + section * STORIES_PER_SECTION + ODD_FOOTER);
+ }
+
+ private Story story(int index) {
+ if (index + 1 >= aCp.length) {
+ return new Story(0, 0);
+ }
+ return new Story(aCp[index], aCp[index + 1]);
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/OfficeArt.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/OfficeArt.java
new file mode 100644
index 0000000..5d710c3
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/OfficeArt.java
@@ -0,0 +1,218 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+/**
+ * Извлечение растровой картинки из {@code PICFAndOfficeArtData}
+ * ([MS-DOC] §2.9.192, операнд {@code sprmCPicLocation} = offset в Data-потоке)
+ * по [MS-ODRAW]: PICF (68 байт, §2.9.190) → OfficeArt-записи → BLIP
+ * (§2.2.23–.31: recType 0xF01A EMF / 0xF01B WMF / 0xF01C PICT / 0xF01D JPEG /
+ * 0xF01E PNG / 0xF01F DIB; нечётный recInstance — второй UID, §2.2.24).
+ *
+ *
Word кладёт BLIP в разные места (BStoreContainer 0xF004,
+ * BStoreContainerDelay 0xF007, инлайн-контейнер), а POI-продукция пишет
+ * FBSE без заголовков — поэтому поиск по диапазону {@code [picLocation,
+ * picLocation+lcb)} (lcb из PICF), а не обход дерева: кандидат принимается
+ * только если recType BLIP'а, {@code cb} влезает в диапазон и данные после
+ * uid+tag начинаются с сигнатуры PNG/JPEG/DIB. Ложные срабатывания
+ * (встроенные OLE-архивы) отсекаются ровно этим условием — скан по всему
+ * потоку их плодит, скан по картинному диапазону нет.
+ *
+ *
EMF/WMF/PICT в PDF не рендерятся (Java2D-движка для метафайлов в ядре
+ * нет) — {@code null} (объект исчезает, как удалённый {@code w:object}).
+ * DIB перекодируется в PNG через ImageIO.
+ */
+final class OfficeArt {
+
+ /** Растр: расширение/ mime-подтип для content-type, байты, размер в EMU. */
+ record Picture(String extension, String contentType, byte[] data, int cxEmu, int cyEmu) {
+ }
+
+ /** PICF: lcb(4) cbHeader(2)=0x44 mfpf(8) innerHeader(14) picmid(38) cProps(2). */
+ private static final int PICF_SIZE = 68;
+ private static final int OFF_CB_HEADER = 4;
+ private static final int OFF_MM = 6;
+ private static final int MM_SHAPEFILE = 0x0066;
+ /** PICMID (смещение 28 от начала PICF): dxaGoal, dyaGoal, mx, my (§2.9.193). */
+ private static final int OFF_DXA_GOAL = 0x1C;
+ private static final int OFF_DYA_GOAL = 0x1E;
+ private static final int OFF_MX = 0x20;
+ private static final int OFF_MY = 0x22;
+ /** Границы отображаемого размера, twips (§2.9.193: 15…31680). */
+ private static final int DXA_MIN = 15;
+ private static final int DXA_MAX = 31_680;
+ /** twips → EMU (ECMA-376 §20.1.8: 1 twip = 635 EMU). */
+ private static final int EMU_PER_TWIP = 635;
+
+ private static final int BLIP_EMF = 0xF01A;
+ private static final int BLIP_WMF = 0xF01B;
+ private static final int BLIP_PICT = 0xF01C;
+ private static final int BLIP_JPEG = 0xF01D;
+ private static final int BLIP_JPEG_ALT = 0xF02A; // [MS-ODRAW] A.1: = 0xF01D
+ private static final int BLIP_PNG = 0xF01E;
+ private static final int BLIP_DIB = 0xF01F;
+
+ /** recInstance с двумя UID ([MS-ODRAW] §2.2.24–.31). */
+ private static final java.util.Set TWO_UIDS =
+ java.util.Set.of(0x217, 0x3D5, 0x543, 0x6E1, 0x6E3, 0x6E5, 0x7A9);
+
+ private OfficeArt() {
+ }
+
+ /**
+ * Картинка по {@code picLocation} в Data-потоке; {@code null} — нет
+ * данных/векторный формат/битая запись (деградация, не ошибка).
+ */
+ static Picture read(byte[] dataStream, long picLocation) {
+ if (picLocation < 0 || picLocation + PICF_SIZE > dataStream.length) {
+ return null;
+ }
+ int off = (int) picLocation;
+ long lcb = CfbReader.u32(dataStream, off);
+ if (lcb < PICF_SIZE || off + lcb > dataStream.length
+ || (CfbReader.u32(dataStream, off + OFF_CB_HEADER) & 0xFFFF) != PICF_SIZE) {
+ return null;
+ }
+ int end = off + (int) lcb;
+ int sizeX = displayDxa(dataStream, off + OFF_DXA_GOAL, off + OFF_MX);
+ int sizeY = displayDxa(dataStream, off + OFF_DYA_GOAL, off + OFF_MY);
+ int scanFrom = off + PICF_SIZE;
+ if (CfbReader.u32(dataStream, off + OFF_MM) == MM_SHAPEFILE && scanFrom < end) {
+ scanFrom += 1 + (dataStream[scanFrom] & 0xFF); // cchPicName + stPicName
+ }
+ for (int p = scanFrom; p + 8 <= end; p++) {
+ Picture pic = tryBlip(dataStream, p, end, sizeX, sizeY);
+ if (pic != null) {
+ return pic;
+ }
+ }
+ return null;
+ }
+
+ /** Кандидат на BLIP-запись по смещению {@code p}; {@code null} — не он. */
+ private static Picture tryBlip(byte[] data, int p, int end, int sizeX, int sizeY) {
+ int verInstance = (int) (CfbReader.u32(data, p) & 0xFFFF);
+ int type = (int) (CfbReader.u32(data, p + 2) & 0xFFFF);
+ long cb = CfbReader.u32(data, p + 4);
+ if (cb < 17 || p + 8 + cb > end) {
+ return null;
+ }
+ // Второй UID — только перечисленные recInstance (§2.2.24–.31:
+ // EMF 0x3D5, WMF 0x217, PICT 0x543, JPEG 0x6E3, PNG 0x6E1,
+ // DIB 0x7A9, EMF+ 0x6E5; JPEG 0x46B — нечётный, но ОДИН UID).
+ // Word/POI кладут значение в raw verInstance (0x06E1), спека —
+ // в 12-битное поле (0x6E10): проверяем обе формы.
+ int uidSize = (TWO_UIDS.contains(verInstance >>> 4) || TWO_UIDS.contains(verInstance))
+ ? 32 : 16;
+ int dataOff = p + 8 + uidSize + 1; // после uid + tag
+ int dataLen = (int) (cb - uidSize - 1);
+ if (dataLen <= 0) {
+ return null;
+ }
+ return switch (type) {
+ case BLIP_PNG -> startsWith(data, dataOff, dataLen, new byte[] {(byte) 0x89, 'P', 'N', 'G'})
+ ? new Picture("png", "image/png", slice(data, dataOff, dataLen),
+ emu(sizeX > 0 ? sizeX : pngDxa(data, dataOff, true)),
+ emu(sizeY > 0 ? sizeY : pngDxa(data, dataOff, false)))
+ : null;
+ case BLIP_JPEG, BLIP_JPEG_ALT -> startsWith(data, dataOff, dataLen, new byte[] {(byte) 0xFF, (byte) 0xD8})
+ ? new Picture("jpg", "image/jpeg", slice(data, dataOff, dataLen),
+ emu(sizeX), emu(sizeY))
+ : null;
+ case BLIP_DIB -> dibToPng(data, dataOff, dataLen, sizeX, sizeY);
+ case BLIP_EMF, BLIP_WMF, BLIP_PICT -> null; // метафайлы не рендерим
+ default -> null;
+ };
+ }
+
+ /** PICMID отсутствует/битый — размер из PNG IHDR @96 dpi (1 px = 15 twips). */
+ private static int pngDxa(byte[] data, int pngOff, boolean width) {
+ if (pngOff + 24 > data.length) {
+ return DXA_MIN;
+ }
+ int px = (int) ((data[pngOff + 16 + (width ? 0 : 4)] & 0xFFL) << 24
+ | (data[pngOff + 17 + (width ? 0 : 4)] & 0xFFL) << 16
+ | (data[pngOff + 18 + (width ? 0 : 4)] & 0xFFL) << 8
+ | (data[pngOff + 19 + (width ? 0 : 4)] & 0xFFL));
+ if (px <= 0) {
+ return DXA_MIN;
+ }
+ return clampDxa(px * 15L);
+ }
+
+ private static int clampDxa(long dxa) {
+ return (int) Math.max(DXA_MIN, Math.min(dxa, DXA_MAX));
+ }
+
+ /** Отображаемый размер: goal × (mx|my / 1000), clamp 15…31680 twips. */
+ private static int displayDxa(byte[] data, int goalOff, int scaleOff) {
+ int goal = (short) CfbReader.u32(data, goalOff);
+ int scale = (int) (CfbReader.u32(data, scaleOff) & 0xFFFF);
+ if (goal <= 0 || scale <= 0) {
+ return 0;
+ }
+ return clampDxa(goal * (long) scale / 1000);
+ }
+
+ private static int emu(int dxa) {
+ return Math.max(dxa, DXA_MIN) * EMU_PER_TWIP;
+ }
+
+ /** BITMAPINFOHEADER (§2.2.29): минимальный размер DIB-данных. */
+ private static final int BITMAPINFOHEADER_SIZE = 40;
+
+ /** DIB (BITMAPINFOHEADER + пиксели) → PNG через ImageIO; битый → null. */
+ private static Picture dibToPng(byte[] data, int off, int len, int sizeX, int sizeY) {
+ if (len < BITMAPINFOHEADER_SIZE) {
+ return null;
+ }
+ try {
+ java.awt.image.BufferedImage img = javax.imageio.ImageIO.read(
+ new java.io.ByteArrayInputStream(wrapAsBmp(data, off, len)));
+ if (img == null) {
+ return null;
+ }
+ java.io.ByteArrayOutputStream bos = new java.io.ByteArrayOutputStream();
+ javax.imageio.ImageIO.write(img, "png", bos);
+ return new Picture("png", "image/png", bos.toByteArray(), emu(sizeX), emu(sizeY));
+ } catch (java.io.IOException | RuntimeException e) {
+ return null;
+ }
+ }
+
+ /** DIB → BMP: BITMAPFILEHEADER(14) + как есть (§2.2.29 — DIB без хедера). */
+ private static byte[] wrapAsBmp(byte[] data, int off, int len) {
+ byte[] bmp = new byte[14 + len];
+ bmp[0] = 'B';
+ bmp[1] = 'M';
+ int fileSize = 14 + len;
+ bmp[2] = (byte) fileSize;
+ bmp[3] = (byte) (fileSize >>> 8);
+ bmp[4] = (byte) (fileSize >>> 16);
+ bmp[5] = (byte) (fileSize >>> 24);
+ int bits = (int) (CfbReader.u32(data, off + 14) & 0xFFFF);
+ int headerSize = (int) CfbReader.u32(data, off);
+ int dataOff = 14 + headerSize
+ + (bits == 1 || bits == 4 || bits == 8 ? (1 << bits) * 4 : 0);
+ bmp[10] = (byte) dataOff;
+ bmp[11] = (byte) (dataOff >>> 8);
+ System.arraycopy(data, off, bmp, 14, len);
+ return bmp;
+ }
+
+ private static boolean startsWith(byte[] data, int off, int len, byte[] sig) {
+ if (len < sig.length) {
+ return false;
+ }
+ for (int i = 0; i < sig.length; i++) {
+ if (data[off + i] != sig[i]) {
+ return false;
+ }
+ }
+ return true;
+ }
+
+ private static byte[] slice(byte[] data, int off, int len) {
+ byte[] out = new byte[len];
+ System.arraycopy(data, off, out, 0, len);
+ return out;
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/PapxIndex.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/PapxIndex.java
new file mode 100644
index 0000000..d817105
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/PapxIndex.java
@@ -0,0 +1,101 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import ru.pjandro.wordpdf.ValidationException;
+
+import java.util.ArrayList;
+import java.util.List;
+
+/**
+ * Индекс прямых свойств абзацев PAPX: FC-диапазон абзаца → Grpprl.
+ *
+ *
Алгоритм [MS-DOC] §2.4.6.1 (Direct Paragraph Formatting): PlcfBtePapx —
+ * PLC (aFc n+1, PnFkpPapx n по 4 байта: pn 22 бита); PapxFkp-страница по
+ * {@code pn*512} в WordDocument-потоке: rgfc (cpara+1 × 4), rgbx (cpara ×
+ * BxPap — по 13 байт: bOffset 1 + reserved 12, §2.9.16; PapxInFkp по
+ * {@code bOffset*2}), cpara — последний байт. BxPap.bOffset=0 → абзац по
+ * умолчанию (ms-doc.md:5635). PapxInFkp (§2.9.175):
+ * cb (1 байт); при cb≠0 GrpPrlAndIstd занимает 2×cb−1 байт, при cb=0 —
+ * следующий байт cb' и 2×cb' байт; GrpPrlAndIstd = istd(2) + grpprl.
+ * istd игнорируется (стили — вне контура первого инкремента).
+ */
+final class PapxIndex {
+
+ private static final int FKP_PAGE_SIZE = 512;
+
+ private record Range(long fcStart, long fcEnd, byte[] grpprl) {
+ }
+
+ private final List ranges = new ArrayList<>();
+
+ private PapxIndex(byte[] tableStream, long fcBte, long lcbBte, byte[] wordDocument) {
+ if (lcbBte <= 0) {
+ return;
+ }
+ if (fcBte < 0 || fcBte + lcbBte > tableStream.length || (lcbBte - 4) % 8 != 0) {
+ throw new ValidationException("Битый PlcfBtePapx в .doc");
+ }
+ int n = (int) ((lcbBte - 4) / 8);
+ for (int i = 0; i < n; i++) {
+ long fcStart = CfbReader.u32(tableStream, (int) fcBte + i * 4);
+ long fcEnd = CfbReader.u32(tableStream, (int) fcBte + i * 4 + 4);
+ long pn = CfbReader.u32(tableStream, (int) fcBte + (n + 1) * 4 + i * 4) & 0x3FFFFFL;
+ long pageOff = pn * FKP_PAGE_SIZE;
+ if (pageOff + FKP_PAGE_SIZE > wordDocument.length) {
+ throw new ValidationException("PapxFkp вне WordDocument-потока в .doc");
+ }
+ int cpara = wordDocument[(int) (pageOff + FKP_PAGE_SIZE - 1)] & 0xFF;
+ if (cpara < 1 || cpara > 0x60) {
+ throw new ValidationException("Битый cpara в PapxFkp .doc");
+ }
+ for (int j = 0; j < cpara; j++) {
+ long rgfcStart = CfbReader.u32(wordDocument, (int) pageOff + j * 4);
+ long rgfcEnd = CfbReader.u32(wordDocument, (int) pageOff + (j + 1) * 4);
+ int bx = wordDocument[(int) pageOff + 4 * (cpara + 1) + j * 13] & 0xFF;
+ if (bx == 0 || rgfcEnd <= rgfcStart) {
+ continue;
+ }
+ int infkp = (int) pageOff + bx * 2;
+ int cb = wordDocument[infkp] & 0xFF;
+ // GrpPrlAndIstd: при cb≠0 занимает 2×cb−1 байт со следующего;
+ // при cb=0 — следующий байт cb' и 2×cb' байт со следующего+1
+ // (§2.9.175). Внутри: istd(2) + Prl'ы без счётчика (§3, Figure 33).
+ int stdStart = cb != 0 ? infkp + 1 : infkp + 2;
+ int stdSize = cb != 0 ? 2 * cb - 1 : 2 * (wordDocument[infkp + 1] & 0xFF);
+ int grpprlLen = stdSize - 2;
+ if (grpprlLen <= 0 || stdStart + 2 + grpprlLen > pageOff + FKP_PAGE_SIZE) {
+ continue;
+ }
+ byte[] grpprl = new byte[grpprlLen];
+ System.arraycopy(wordDocument, stdStart + 2, grpprl, 0, grpprlLen);
+ ranges.add(new Range(Math.max(rgfcStart, fcStart), Math.min(rgfcEnd, fcEnd), grpprl));
+ }
+ }
+ }
+
+ static PapxIndex read(byte[] tableStream, long fcBte, long lcbBte, byte[] wordDocument) {
+ return new PapxIndex(tableStream, fcBte, lcbBte, wordDocument);
+ }
+
+ /** Grpprl абзаца, содержащего FC, или пустой массив (дефолт). */
+ byte[] grpprlFor(long fc) {
+ for (Range r : ranges) {
+ if (fc >= r.fcStart() && fc < r.fcEnd()) {
+ return r.grpprl();
+ }
+ }
+ return new byte[0];
+ }
+
+ /** Число абзацев с sprmPFPageBreakBefore=1 (для lightweight-подсчёта страниц). */
+ int countPageBreakBefore() {
+ int[] count = {0};
+ for (Range r : ranges) {
+ Grpprl.scan(r.grpprl(), 0, r.grpprl().length, (sprm, buf, off, len) -> {
+ if (sprm == Grpprl.SPRM_P_F_PAGE_BREAK_BEFORE && Grpprl.toggleOn(buf, off)) {
+ count[0]++;
+ }
+ });
+ }
+ return count[0];
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/PieceTable.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/PieceTable.java
new file mode 100644
index 0000000..8232491
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/PieceTable.java
@@ -0,0 +1,171 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import ru.pjandro.wordpdf.ValidationException;
+
+/**
+ * Piece table (.doc): карта Character Position → текст в WordDocument-потоке.
+ *
+ *
[MS-DOC] §2.4.1 (Retrieving Text): Clx (§2.9.38) — последовательность
+ * Prc ({@code clxt}=0x01, пропускается по длине) и ровно один Pcdt
+ * ({@code clxt}=0x02, §2.9.178) с PlcPcd (§2.8.35). Pcd (§2.9.177): fc —
+ * 30 бит смещения + {@code fCompressed} (бит 30): при 1 текст 8-битный по
+ * {@code fc/2} (байты 0x82–0x9F маппятся на Unicode, остальные U+00XX),
+ * при 0 — UTF-16LE по {@code fc}.
+ *
+ *
FC для поиска свойств (§2.4.6.1 шаг 3) — та же поправка: сжатый кусок
+ * даёт {@code fc/2 + (cp - aCp[i])}, несжатый — {@code fc + 2*(cp - aCp[i])}.
+ */
+final class PieceTable {
+
+ /** clxt-маркеры Clx (§2.9.38). */
+ private static final int CLXT_PRC = 0x01;
+ private static final int CLXT_PCDT = 0x02;
+
+ /** Бит fCompressed в Pcd.fc (§2.9.177). */
+ private static final long F_COMPRESSED = 0x4000_0000L;
+ private static final long FC_MASK = 0x3FFF_FFFFL;
+
+ /** Байты 0x80–0x9F сжатого текста → Unicode (§2.4.1, таблица Pcd.fc). */
+ private static final char[] COMPRESSED_MAP = new char[32];
+
+ static {
+ int[][] map = {
+ {0x82, 0x201A}, {0x83, 0x0192}, {0x84, 0x201E}, {0x85, 0x2026},
+ {0x86, 0x2020}, {0x87, 0x2021}, {0x88, 0x02C6}, {0x89, 0x2030},
+ {0x8A, 0x0160}, {0x8B, 0x2039}, {0x8C, 0x0152}, {0x91, 0x2018},
+ {0x92, 0x2019}, {0x93, 0x201C}, {0x94, 0x201D}, {0x95, 0x2022},
+ {0x96, 0x2013}, {0x97, 0x2014}, {0x98, 0x02DC}, {0x99, 0x2122},
+ {0x9A, 0x0161}, {0x9B, 0x203A}, {0x9C, 0x0153}, {0x9F, 0x0178},
+ };
+ for (int[] e : map) {
+ COMPRESSED_MAP[e[0] - 0x80] = (char) e[1];
+ }
+ }
+
+ private final byte[] wordDocument;
+ private final int[] aCp;
+ private final long[] fc;
+ private final boolean[] compressed;
+
+ private PieceTable(byte[] tableStream, long fcClx, long lcbClx, byte[] wordDocument) {
+ this.wordDocument = wordDocument;
+ if (lcbClx <= 0) {
+ throw new ValidationException("В .doc нет piece table");
+ }
+ if (fcClx < 0 || fcClx + lcbClx > tableStream.length) {
+ throw new ValidationException("Clx .doc выходит за табличный поток");
+ }
+ int p = (int) fcClx;
+ int end = (int) (fcClx + lcbClx);
+ int plcStart = -1;
+ int plcEnd = -1;
+ while (p < end) {
+ int clxt = tableStream[p] & 0xFF;
+ if (clxt == CLXT_PRC) {
+ if (p + 3 > end) {
+ throw new ValidationException("Обрезанный Clx в .doc");
+ }
+ int cb = (int) (CfbReader.u32(tableStream, p + 1) & 0xFFFF);
+ p += 3 + cb;
+ } else if (clxt == CLXT_PCDT) {
+ if (p + 5 > end) {
+ throw new ValidationException("Обрезанный Clx в .doc");
+ }
+ long lcb = CfbReader.u32(tableStream, p + 1);
+ plcStart = p + 5;
+ plcEnd = plcStart + (int) lcb;
+ if (plcEnd > end) {
+ throw new ValidationException("Pcdt выходит за Clx в .doc");
+ }
+ break;
+ } else {
+ throw new ValidationException("Неизвестный clxt 0x" + Integer.toHexString(clxt) + " в Clx .doc");
+ }
+ }
+ if (plcStart < 0) {
+ throw new ValidationException("В Clx .doc нет Pcdt");
+ }
+ int lcb = plcEnd - plcStart;
+ if ((lcb - 4) % 12 != 0 || lcb < 16) {
+ throw new ValidationException("Битый PlcPcd в .doc");
+ }
+ int n = (lcb - 4) / 12;
+ aCp = new int[n + 1];
+ fc = new long[n];
+ compressed = new boolean[n];
+ for (int i = 0; i <= n; i++) {
+ aCp[i] = (int) CfbReader.u32(tableStream, plcStart + i * 4);
+ if (i > 0 && aCp[i] < aCp[i - 1]) {
+ throw new ValidationException("Невозрастающие aCP в PlcPcd .doc");
+ }
+ }
+ int pcdBase = plcStart + (n + 1) * 4;
+ for (int i = 0; i < n; i++) {
+ long fcw = CfbReader.u32(tableStream, pcdBase + i * 8 + 2);
+ fc[i] = fcw & FC_MASK;
+ compressed[i] = (fcw & F_COMPRESSED) != 0;
+ }
+ for (int i = 0; i < n; i++) {
+ long start = compressed[i] ? fc[i] / 2 : fc[i];
+ long span = (long) (aCp[i + 1] - aCp[i]) * (compressed[i] ? 1 : 2);
+ if (start + span > wordDocument.length) {
+ throw new ValidationException("Кусок piece table .doc выходит за WordDocument");
+ }
+ }
+ }
+
+ static PieceTable read(byte[] tableStream, long fcClx, long lcbClx, byte[] wordDocument) {
+ return new PieceTable(tableStream, fcClx, lcbClx, wordDocument);
+ }
+
+ /** Символ по CP (§2.4.1); {@code cp} вне [0, ccpText) не запрашивается. */
+ char charAt(int cp) {
+ int i = pieceOf(cp);
+ int delta = cp - aCp[i];
+ if (compressed[i]) {
+ int b = wordDocument[(int) (fc[i] / 2) + delta] & 0xFF;
+ if (b >= 0x80 && b < 0xA0) {
+ char mapped = COMPRESSED_MAP[b - 0x80];
+ return mapped != 0 ? mapped : (char) b;
+ }
+ return (char) b;
+ }
+ int off = (int) fc[i] + 2 * delta;
+ return (char) ((wordDocument[off] & 0xFF) | ((wordDocument[off + 1] & 0xFF) << 8));
+ }
+
+ /** FC для поиска CHPX/PAPX (§2.4.6.1 шаг 3): со сжатием — {@code fc/2 + delta}. */
+ long fcOf(int cp) {
+ int i = pieceOf(cp);
+ int delta = cp - aCp[i];
+ return compressed[i] ? fc[i] / 2 + delta : fc[i] + 2L * delta;
+ }
+
+ /** Шаг FC на символ в куске, содержащем {@code cp}: 1 (сжатый) или 2. */
+ int step(int cp) {
+ return compressed[pieceOf(cp)] ? 1 : 2;
+ }
+
+ /** CP первого символа следующего после {@code cp} куска (или {@code ccpLimit}). */
+ int nextPieceBoundary(int cp, int ccpLimit) {
+ int i = pieceOf(cp);
+ return Math.min(aCp[i + 1], ccpLimit);
+ }
+
+ private int pieceOf(int cp) {
+ int lo = 0;
+ int hi = fc.length - 1;
+ while (lo < hi) {
+ int mid = (lo + hi + 1) >>> 1;
+ if (aCp[mid] <= cp) {
+ lo = mid;
+ } else {
+ hi = mid - 1;
+ }
+ }
+ if (cp >= aCp[lo + 1]) {
+ throw new ValidationException("Символ .doc вне piece table");
+ }
+ return lo;
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/Sections.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/Sections.java
new file mode 100644
index 0000000..a84166a
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/Sections.java
@@ -0,0 +1,133 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+import ru.pjandro.wordpdf.ValidationException;
+
+/**
+ * Свойства секций (.doc) → параметры полосы набора и поправка подсчёта страниц.
+ *
+ *
[MS-DOC] §2.8.26 PlcfSed: PLC (aCP n+1, Sed n по 12 байт); Sed =
+ * fn(2) + fcSepx(4) + fnMpr(2) + fcMpr(4); fcSepx — указатель на Sepx
+ * (§2.9.245) в WordDocument-потоке: cb (2 байта) + grpprl секционных sprm;
+ * Sepx секции i описывает секцию от aCP[i] до aCP[i+1] (§3, Figure 13).
+ * Выходной документ односекционный: геометрию берёт последняя секция
+ * (как {@code w:sectPr} уровня документа). Свойств нет — дефолты Word 97:
+ * Letter 12240×15840, поля 1440, колонтитуки 720 (значения §2.6.3
+ * «By default» для sprmSXaPage/sprmSYaPage).
+ *
+ *
{@link #continuousSectionEnds()} — число межсекционных разрывов, не
+ * начинающих новую страницу (sprmSBkc = bkcContinuous/bkcNewColumn, §2.6.3;
+ * дефолт — bkcNewPage, поэтому отсутствие sprmSBkc не вычитается).
+ */
+final class Sections {
+
+ /** Дефолты Word 97 (§2.6.3, twips). */
+ private static final int DEFAULT_PAGE_WIDTH = 12240;
+ private static final int DEFAULT_PAGE_HEIGHT = 15840;
+ private static final int DEFAULT_MARGIN = 1440;
+ private static final int DEFAULT_HEADER_FOOTER = 720;
+
+ private static final int SED_SIZE = 12;
+ private static final int SED_OFF_FC_SEPX = 2;
+
+ private int pageWidth = DEFAULT_PAGE_WIDTH;
+ private int pageHeight = DEFAULT_PAGE_HEIGHT;
+ private int marginLeft = DEFAULT_MARGIN;
+ private int marginRight = DEFAULT_MARGIN;
+ private int marginTop = DEFAULT_MARGIN;
+ private int marginBottom = DEFAULT_MARGIN;
+ private int header = DEFAULT_HEADER_FOOTER;
+ private int footer = DEFAULT_HEADER_FOOTER;
+ private int continuousEnds;
+
+ private Sections(byte[] tableStream, long fcSed, long lcbSed, byte[] wordDocument) {
+ if (lcbSed <= 0) {
+ return;
+ }
+ if (fcSed < 0 || fcSed + lcbSed > tableStream.length || (lcbSed - 4) % (4 + SED_SIZE) != 0) {
+ throw new ValidationException("Битый PlcfSed в .doc");
+ }
+ int n = (int) ((lcbSed - 4) / (4 + SED_SIZE));
+ int sedBase = (int) fcSed + (n + 1) * 4;
+ for (int i = 0; i < n; i++) {
+ long fcSepx = CfbReader.u32(tableStream, sedBase + i * SED_SIZE + SED_OFF_FC_SEPX);
+ if (fcSepx == 0 || fcSepx + 2 > wordDocument.length) {
+ continue;
+ }
+ int cb = (int) (CfbReader.u32(wordDocument, (int) fcSepx) & 0xFFFF);
+ if (cb <= 0 || fcSepx + 2 + cb > wordDocument.length) {
+ continue;
+ }
+ boolean last = i == n - 1;
+ Grpprl.scan(wordDocument, (int) fcSepx + 2, cb, (sprm, buf, off, len) -> {
+ int v = Grpprl.operandInt(buf, off, len);
+ if (last) {
+ applyGeometry(sprm, v);
+ } else if (sprm == Grpprl.SPRM_S_BKC && v <= 1) {
+ // bkcContinuous=0 / bkcNewColumn=1 (§2.6.3 SBkcOperand):
+ // разрыв не начинает новую страницу
+ continuousEnds++;
+ }
+ });
+ }
+ }
+
+ private void applyGeometry(int sprm, int value) {
+ if (sprm == Grpprl.SPRM_S_XA_PAGE) {
+ pageWidth = value;
+ } else if (sprm == Grpprl.SPRM_S_YA_PAGE) {
+ pageHeight = value;
+ } else if (sprm == Grpprl.SPRM_S_DXA_LEFT) {
+ marginLeft = value;
+ } else if (sprm == Grpprl.SPRM_S_DXA_RIGHT) {
+ marginRight = value;
+ } else if (sprm == Grpprl.SPRM_S_DYA_TOP) {
+ marginTop = value;
+ } else if (sprm == Grpprl.SPRM_S_DYA_BOTTOM) {
+ marginBottom = value;
+ } else if (sprm == Grpprl.SPRM_S_DYA_HDR_TOP) {
+ header = value;
+ } else if (sprm == Grpprl.SPRM_S_DYA_HDR_BOTTOM) {
+ footer = value;
+ }
+ }
+
+ static Sections read(byte[] tableStream, long fcSed, long lcbSed, byte[] wordDocument) {
+ return new Sections(tableStream, fcSed, lcbSed, wordDocument);
+ }
+
+ int pageWidth() {
+ return pageWidth;
+ }
+
+ int pageHeight() {
+ return pageHeight;
+ }
+
+ int marginLeft() {
+ return marginLeft;
+ }
+
+ int marginRight() {
+ return marginRight;
+ }
+
+ int marginTop() {
+ return marginTop;
+ }
+
+ int marginBottom() {
+ return marginBottom;
+ }
+
+ int header() {
+ return header;
+ }
+
+ int footer() {
+ return footer;
+ }
+
+ int continuousSectionEnds() {
+ return continuousEnds;
+ }
+}
diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/SummaryInfo.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/SummaryInfo.java
new file mode 100644
index 0000000..b6e86ff
--- /dev/null
+++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/doc/SummaryInfo.java
@@ -0,0 +1,57 @@
+package ru.pjandro.wordpdf.internal.doc;
+
+/**
+ * Кэш числа страниц из потока {@code \x05SummaryInformation}.
+ *
+ *
[MS-OLEPS] §2.21 PropertySetStream: заголовок — ByteOrder(2) Version(2)
+ * SystemIdentifier(4) CLSID(16) NumPropertySets(4) FMTID0(16) Offset0(4);
+ * PropertySet по Offset0 (§2.20): cbPropertySet(4) NumProperties(4) + массив
+ * (pid, offset), где offset свойства — относительно начала PropertySet
+ * (§2.2: «relative to the starting position of the PropertySet»), т.е. читать
+ * по {@code Offset0 + offset}; свойство по offset — VT(4) + значение. Ищем PIDSI_PAGECOUNT
+ * (0x0000000E, VT_I4=3) — аналог {@code } из docProps/app.xml у .docx.
+ * Потока/свойства нет или оно не VT_I4 → 0 (оценка нижняя, как у docx).
+ */
+final class SummaryInfo {
+
+ /** PIDSI_PAGECOUNT (MS-OLEPS §2.4.2). */
+ private static final int PID_PAGE_COUNT = 0x0000000E;
+
+ /** VT_I4 (MS-OLEPS §2.3.2). */
+ private static final int VT_I4 = 0x00000003;
+
+ /** Смещения заголовка PropertySetStream (§2.21). */
+ private static final int OFF_OFFSET0 = 0x2C;
+ private static final int HEADER_SIZE = 0x30;
+
+ private SummaryInfo() {
+ }
+
+ /** Кэшированное число страниц; 0 — нет данных. */
+ static int pageCount(byte[] summaryStream) {
+ if (summaryStream.length < HEADER_SIZE) {
+ return 0;
+ }
+ long offset0 = CfbReader.u32(summaryStream, OFF_OFFSET0);
+ if (offset0 < HEADER_SIZE || offset0 + 8 > summaryStream.length) {
+ return 0;
+ }
+ long numProps = CfbReader.u32(summaryStream, (int) offset0 + 4);
+ if (numProps <= 0 || numProps > 0x1000) {
+ return 0;
+ }
+ for (int i = 0; i < numProps; i++) {
+ int pps = (int) offset0 + 8 + i * 8;
+ if (pps + 8 > summaryStream.length) {
+ return 0;
+ }
+ int pid = (int) CfbReader.u32(summaryStream, pps);
+ long propOff = offset0 + CfbReader.u32(summaryStream, pps + 4);
+ if (pid == PID_PAGE_COUNT && propOff + 8 <= summaryStream.length
+ && CfbReader.u32(summaryStream, (int) propOff) == VT_I4) {
+ return (int) CfbReader.u32(summaryStream, (int) propOff + 4);
+ }
+ }
+ return 0;
+ }
+}
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 0ec7617..9e90ee1 100644
--- a/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfConverterTest.java
+++ b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfConverterTest.java
@@ -161,7 +161,20 @@ class WordPdfConverterTest {
*/
@Test
void chartsSmartArt_drawingsBecomeImages() throws Exception {
- Path pdf = convertPdf(sampleBytes("charts-smartart.docx"), "charts-smartart");
+ assertDrawingsBecomeImages("charts-smartart.docx");
+ }
+
+ /**
+ * Тот же паритет для samples/charts-smartart.doc: BLIP'ы OfficeArt
+ * извлекаются мостом в image-части, растров в PDF не меньше четырёх.
+ */
+ @Test
+ void chartsSmartArt_docDrawingsBecomeImages() throws Exception {
+ assertDrawingsBecomeImages("charts-smartart.doc");
+ }
+
+ private static void assertDrawingsBecomeImages(String fixture) throws Exception {
+ Path pdf = convertPdf(sampleBytes(fixture), baseName(fixture));
String text = norm(pdfText(pdf));
assertTrue(text.contains("Диаграммы"), "пропал текст вокруг диаграмм: " + text);
@@ -236,7 +249,21 @@ class WordPdfConverterTest {
*/
@Test
void oleObjects_removedAndConverted() throws Exception {
- Path pdf = convertPdf(sampleBytes("ole-embedded.docx"), "ole-embedded");
+ assertOleObjectsRemoved("ole-embedded.docx");
+ }
+
+ /**
+ * samples/ole-embedded.doc: OLE-объект ([MS-DOC] U+0001 +
+ * sprmCFOle2) не читается — мост берёт VML-плейсхолдер (BLIP по
+ * {@code sprmCPicLocation}=0) и пишет штатной картинкой.
+ */
+ @Test
+ void oleObjects_docRemovedAndConverted() throws Exception {
+ assertOleObjectsRemoved("ole-embedded.doc");
+ }
+
+ private static void assertOleObjectsRemoved(String fixture) throws Exception {
+ Path pdf = convertPdf(sampleBytes(fixture), baseName(fixture));
String text = norm(pdfText(pdf));
assertTrue(text.contains("OLE object test before"),
@@ -251,6 +278,10 @@ class WordPdfConverterTest {
/**
* errorOnOle=true — {@link DrawingFoundException} с {@code Kind.OLE},
* документ отвергается. Фикстура samples/ole-embedded.docx.
+ *
+ *
Флаг действует только на .docx: в бинарном .doc OLE-объект —
+ * не часть, а форматирование U+0001, и мост деградирует его до
+ * картинки-плейсхолдера (см. {@link #oleObjects_docRemovedAndConverted()}).
- docx → PDF на docx4j + Apache FOP. Лимиты задаёт сервер;
+ docx/doc → PDF на docx4j + Apache FOP. Лимиты задаёт сервер;
переопределение из формы убрано.
diff --git a/wordpdf-web/src/components/DropZone.tsx b/wordpdf-web/src/components/DropZone.tsx
index de29522..8bef2a2 100644
--- a/wordpdf-web/src/components/DropZone.tsx
+++ b/wordpdf-web/src/components/DropZone.tsx
@@ -8,7 +8,7 @@ interface Props {
}
/**
- * Зона drag&drop + клик для выбора .docx. Скрытый input[type=file] —
+ * Зона drag&drop + клик для выбора .docx/.doc. Скрытый input[type=file] —
* единственный источник выбора; drop берёт первый файл.
*/
export default function DropZone({ file, disabled, onSelect }: Props) {
@@ -53,7 +53,7 @@ export default function DropZone({ file, disabled, onSelect }: Props) {
- Перетащите .docx сюда или нажмите для выбора
+ Перетащите .docx или .doc сюда или нажмите для выбора
{file && (
{file.name} · {(file.size / 1024).toFixed(0)} КБ
@@ -62,7 +62,7 @@ export default function DropZone({ file, disabled, onSelect }: Props) {
{