Commit Graph

12 Commits

Author SHA1 Message Date
Pjandro 8c390104d2 Замена wordpdf-cli на Spring Boot REST API: wordpdf-app, SPA wordpdf-web, docker-compose 2026-10-13 16:38:18 +00:00
Pjandro aec4dbffe7 Валидатор: лимиты 5 МиБ и 100 страниц, отказ до рендера и без артефактов
- WordPdfValidator (новый): MAX_INPUT_BYTES/MAX_PAGES, три нижние оценки
  страниц (кэш app.xml недостоверен — реальный кейс <Pages>1</Pages> при
  110 маркерах lastRenderedPageBreak); lightweight zip/StAX-путь.
- convert(Path,Path): неполный PDF удаляется при отказе, но только если
  поток вывода реально открылся (чужой read-only файл не стирается);
  checkPageCount внутри try — finally чистит temp-файлы шрифтов.
- lightweight: continuous-секции не считаются страницами; w:type —
  дочерний элемент, классификация на закрытии sectPr; мёртвый
  атрибутный перегруз startsNewPage удалён.
- Фикстуры too-many-pages.docx (151 страница) и stale-cache.docx
  (кэш 1 при 110 маркерах) + регрессии tooManyPages,
  staleCachePageCountRejectedBeforeRender, inputTooLarge,
  oversizedInputReturnsError, pageCount_continuousSectionsNotCountedLightweight.
- SampleDocxGenerator: точный поиск <w:t (не матчить <w:tbl/<w:tc),
  константа STALE_CACHE_UNMARKED_RUNS вместо литерала.
- AGENTS.md переписан; .gitignore += /diff/ и /word-export.*.

mvn clean verify: 95/95; fat-jar проверен java -jar (код 0/2, артефактов нет).
2026-10-13 15:29:23 +00:00
Pjandro ae31f27a27 Экзотические глифы: решётка «#» вместо .notdef
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.
2026-10-05 22:29:10 +00:00
Pjandro 0c10bae3cf docx4j 11.5.3 -> 17.3.0: формулы OMML, колонки и постобработка XSL-FO
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.
2026-10-05 21:48:23 +00:00
Pjandro 3ebb4780dd Поля страниц: PAGE/NUMPAGES пересчитываются, а не печатают кэш
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.
2026-10-05 21:25:46 +00:00
Pjandro 660bc19da7 Символьные шрифты: Symbol/Wingdings -> Unicode (маркеры списков вместо «#»)
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.
2026-10-05 21:10:36 +00:00
Pjandro 87c79d6776 references/: удалить Strict-эталон word-export.docx/pdf и упоминания из AGENTS.md 2026-10-05 20:22:18 +00:00
Pjandro cdc1d8968c AGENTS.md + references/: эталонные docx/pdf (Transitional и Strict OOXML) 2026-10-05 19:48:15 +00:00
Pjandro 076975885c Диаграммы и SmartArt: пре-рендер w:drawing в PNG (pie, line, surface3D)
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.
2026-10-05 19:27:38 +00:00
Pjandro 2d446d783c Шрифты: restrictToBundled() чистит реестр PhysicalFonts от системных перед load()
Конструктор BundledFontMapper каждый раз заново обнаруживает системные
шрифты; на Windows найденный Calibri покрывает U+2000-U+2EFF, и
RunFontSelector оставляет em-dash на Carlito вместо fallback-DejaVu
(красный ruPlain_emDashEmbeddedNotHelvetica). Очистка реестра после
init() и до load() делает вывод одинаковым на любой ОС; шрифты,
встроенные в docx, регистрируются при load() и остаются в реестре.
2026-10-02 19:51:24 +00:00
Pjandro fe5c7c48b0 AGENTS.md: инструкции для OpenCode (сборка, тесты, шрифты, неочевидные детали) 2026-09-29 21:29:09 +00:00
Pjandro 76c251ddd9 docx→PDF конвертер на docx4j + FOP (без LibreOffice/Aspose)
- wordpdf-core: WordPdfConverter, встроенные TTF-шрифты (Carlito/Caladea/
  Arimo/Tinos/Cousine/DejaVu), BundledFontMapper с фолбэком в DejaVu
- нормализация w:val on/off (regular-раны не рендерятся жирным курсивом)
- символы U+2000–U+2EFF (em-dash) встраиваются через DejaVu, а не
  системным неembedded-шрифтом
- wordpdf-cli: fat-jar CLI (один/несколько docx, явный выходной файл)
- тесты (docx4j/FOP/PDFBox/POI), README
2026-09-23 17:54:54 +00:00