- checkDocxContainer: потоковый проход по zip — декларация wordprocessingml.document
в [Content_Types].xml (голый zip / переименованный .xlsx → 400, а не 500 на docx4j)
+ лимиты MAX_DECOMPRESSED_MB (200) / MAX_ZIP_ENTRIES (8192) — бомба отсекается
до readAllBytes в checkPageCount; пороги константные, не ConvertOptions
- регрессии: validate_plainZipRejected/xlsxRenamedRejected/zipBombRejected/
tooManyEntriesRejected, inputNotDocx_rejectedBeforeRender, plainZipNotDocx_rejected;
junkInsideValidZip_conversionError — на валидном контейнере с мусором (500)
- прод-автест test_plain_zip_not_docx_rejected; AGENTS.md синхронизирован
Ядро: WordPdfSettings.MAX_INPUT_MB=5, ConvertOptions.maxMb,
WordPdfValidator.checkInput(byte[], long maxMb) — единственная точка
пересчёта МБ→байты, сообщение «Файл больше N МБ: X байт > Y байт».
Приложение: свойство wordpdf.max-mb (env WORDPDF_MAX_MB, relaxed binding).
CI/конфиг/автотесты/доки: WORDPDF_MAX_BYTES → WORDPDF_MAX_MB (значение 5).
Литерал слева в equals/equalsIgnoreCase (NPE-safe), удаление неиспользуемых
параметров/локальных/импортов/полей, логгеры log→LOG (конвенция UPPER_SNAKE),
UselessParentheses/UnnecessaryCast/UseShortArrayInitializer, record без явного
static, пустой конструктор ChartSpec удалён. Семантика не меняется.
Word в strict пишет проценты строками (a:shade val="50%",
w14:fillToRect w14:t="130%") и w:start/w:end вместо w:left/w:right —
JAXB-разбор docx4j падает на NumberFormatException (в mc-preprocessor.xslt
ветка % закомментирована, start/end не маппятся). Новый байтовый
StrictOoxmlNormalizer первым в цепочке нормализаторов приводит strict к
transitional-байту; mc-preprocessor доделывает namespaces и pt.
- StrictOoxmlNormalizer: %-атрибуты a:/w14:fillToRect -> тысячные (x1000),
текст wp14:pctWidth/pctHeight, элементы/атрибуты w:start/w:end ->
w:left/w:right (кроме w:lvl/w:start в numbering.xml), значения start/end
у w:jc/w:tab; transitional-документы — no-op (assertSame)
- WordPdfValidator: lightweight-путь читает атрибуты по локальному имени
(attrLocal) — иначе в strict не засчитываются w:br type="page";
pageCountOf при провале JAXB-разбора бросает ConversionException вместо NPE
- тесты: StrictOoxmlNormalizerTest (13), регрессии
strictOoxml_convertsNotRejected (in-memory strict-zip),
pageCount_strictBreaksCountedLightweight; AGENTS.md обновлён
Реальный develop/openxml.docx: 11 страниц как в эталоне Word, диаграммы
и SmartArt рендерятся. mvn clean verify: core 104 + app 20, BUILD SUCCESS.
WordPdfConverter/WordPdfValidator: вход и выход только byte[] (файловые
перегрузки убраны). Дефолты лимитов — в WordPdfSettings (20 МиБ/1000
страниц), переопределяются на вызове через ConvertOptions (лимиты,
renderCharts/renderSmartArt); DrawingPreRenderer пропускает выключенные
рисунки ранним continue.
Знак без глифа в шрифте ранa FOP рисовал .notdef — в эталонном
references/word.docx таких оставалось 28.
- Noto Naskh Arabic и Noto Sans Armenian (SIL OFL, 278 КБ) в бандле:
FontFallback.selectCovering перебирает весь реестр PhysicalFonts и
находит их сам — арабские дополнения и армянские Unicode 16 рисуются
без нашего кода.
- GlyphCoverageNormalizer режет ран по покрытию глифов и пишет семейство
в w:rFonts. Нужен из-за двух дыр docx4j: needsCoverage=false для
«латинской» группы (римские цифры U+2150–U+218F) и кэш fallbackByScript
на всю группу Юникода (армянские U+058D/U+058E получали DejaVu Serif).
- FopFallbackFonts.declare декларирует все бандл-семейства: FOP встраивает
только задекларированные, а font-family в FO может запросить любое.
В эталоне осталось 2 решёток: U+2188 и U+218A есть только в GNU FreeSerif
(GPL-3+ с Font Exception), которого в бандле нет намеренно.
17.x приносит WordLayoutFixups (постобработка DOM XSL-FO: columnBreaks,
lineBoxAttributes, stripHints и др.) и jeuclid-fop, поэтому начинают
работать две вещи, которых не было: формулы m:oMath (на стр. 4 эталона
формула молча исчезала) и w:cols/@w:num (две колонки на стр. 9-11).
Сходимость текста references/word.docx с экспортом Word 0,848 -> 0,981,
средний постраничный пиксельный diff 10,5% -> 7,4%.
Что пришлось починить по пути:
* docx4j навешивает на fo:inline fox:gsub-features, не объявляя префикс
fox. FO становится некорректным XML, WordLayoutFixups не парсит его и
молча отказывается от всех фикс, а оставленный хинт docx4j-baseline
отвергает уже FOP. Отключаем генерацию через
docx4j.convert.out.fo.gsubFeatures=false.
* FOP теперь форк org.docx4j:docx4j-fo-renderer*, и его
META-INF/services/org.apache.fop.fo.ElementMapping лежит ещё и в
docx4j-export-fo: в fat-jar без ServicesResourceTransformer второй файл
перезаписывает первый, FOP не узнаёт namespace fo: и падает на
UnknownXMLObj. Тесты этого не видят — они идут по classpath.
* addPhysicalFont не перезаписывает занятый ключ реестра: системный
DejaVuSerif.ttf занимает «dejavu serif» и наш DejaVuSerif-Regular.ttf
не регистрировался. BundledFonts.init() чистит реестр до регистрации.
* Fop.Renderers.getRenderer() теперь список w:renderer по mime —
FopFallbackFonts ищет application/pdf.
Em-dash (U+2000-U+2EFF) остался на шрифте ранa, если в нём есть глиф —
так же делает Word (в references/word.pdf em-dash нарисован Calibri/Times,
DejaVu нет вообще), поэтому тест проверяет «вшитый шрифт, не Helvetica»,
а не конкретное семейство.
Word записывает поле колонтитула как fldChar begin -> instrText "PAGE"
-> separate -> закэшированный результат -> end. Экспорт docx4j в XSL-FO
инструкцию внутри такого поля не видит и печатает кэш из docx: в
references/word.docx на всех страницах было «2» и «11/11».
FieldNormalizer разворачивает поле в w:fldSimple — его обрабатывает
FldSimpleWriter из docx4j-export-fo (PAGE -> fo:page-number, есть также
NUMPAGES/SECTIONPAGES). Закэшированные ран сохраняются внутри поля: они
дают оформление. Штатный FieldsCombiner docx4j делает то же, но не
заходит внутрь w:sdt, а Word держит нумерацию именно в контентном
контроле «Page Numbers (Top of Page)» — отсюда нормализация байтов.
Переписываются только инструкции, для которых есть обработчик; поле без
separate/end и вложенные поля пропускаются.
Word задаёт маркеры списков кодами из PUA (U+F0xx), а глиф выбирается по
имени шрифта. Экспорт docx4j в XSL-FO эти шрифты не знает: код уходит в
fallback-семейство, глифа там нет, FOP рисует .notdef — в PDF решётка «#».
SymbolFontNormalizer (шаг перед JAXB, как DocxOnOffNormalizer) меняет код
на Unicode, а имя шрифта — на DejaVu Sans. Таблица кодов — SymbolMapper из
docx4j 17.x, отфильтрована по наличию глифа в DejaVu; совпадение с экспортом
Word сверено по references/word.pdf. Обрабатываются w:lvl (numbering.xml),
w:r и w:sym — ран с w:sym разрезается, т.к. у символа собственный w:font.
В эталонном документе пропали все 19 решёток в маркированных списках
(− • ▪ ❖ ➢ ✓ ♥) и поправились два w:sym.
docx2fo.xslt умеет только a:graphicData/pic:pic — для c:chart и dgm:relIds
там notImplemented, т.е. объект молча исчезал из PDF. Новый internal/chart
рендерит их своим Java2D-движком в PNG 300 dpi и подменяет на pic:pic
(шаг 3.5 в convertToStream: после setFontMapper, до FOSettings).
surface3D: седловая ячейка режется диагональю с большей суммой значений
(верхняя огибающая седла). При фиксированной w00–w11 второй треугольник
становится невидимой щепкой, а видимая грань окрашивается не той полосой.