Пин w:framePr: фрейм hAnchor=page позиционируется от края страницы #102

Closed
ai wants to merge 6 commits from frame-pr-pin into main
22 changed files with 306 additions and 1388 deletions
+10 -9
View File
@@ -4,11 +4,11 @@
## Project Overview
Конвертер `.docx`/`.doc` → `.pdf` на чистом Java: docx4j 17.3.2 → XSL-FO → форк Apache FOP, без LibreOffice/Aspose. Бинарный `.doc` (Word 97-2003) переносится мостом MS-DOC/MS-CFB (`internal/doc`) в in-memory `.docx` и идёт тем же конвейером. Java 17, только Maven.
Конвертер `.docx`/`.doc` → `.pdf` на чистом Java: docx4j 17.3.6 → XSL-FO → форк Apache FOP, без LibreOffice/Aspose. Бинарный `.doc` (Word 97-2003) переносится мостом MS-DOC/MS-CFB (`internal/doc`) в in-memory `.docx` и идёт тем же конвейером. Java 17, только Maven.
| Модуль | Содержимое |
|---|---|
|`wordpdf-core`|библиотека: 61 Java-файл (6 — публичный API, 16 `internal/`, 18 `internal/doc/`, 18 `internal/chart/`, 3 `fonts/`)|
|`wordpdf-core`|библиотека: 59 Java-файл (6 — публичный API, 14 `internal/`, 18 `internal/doc/`, 18 `internal/chart/`, 3 `fonts/`)|
| `wordpdf-app` | REST API на Spring Boot 4.1.1: 11 классов, единственный `public` — `WordPdfApplication` |
| `wordpdf-web` | SPA (React 19 + TS + Vite + Tailwind), вне Maven-реактора, отдельный образ |
@@ -18,11 +18,11 @@
Порядок шагов 0–7 фиксирован (`convertToStream`), местами менять нельзя. Вход роутируется по сигнатуре: `PK\x03\x04` → docx-путь; `D0 CF 11 E0 A1 B1 1A E1` (CFB, MS-CFB §2.2) → `DocToDocx.convert` → in-memory `.docx` → тот же конвейер (предикат — `WordPdfValidator.isBinaryDoc`). Валидация — **до** `convertToStream`: `WordPdfValidator.validate(bytes, options)` (размер → подпись zip/CFB → контейнер → страницы); для `.doc` — `checkPageCountDoc` по сырым байтам.
Порядок: шрифты (`BundledFontMapper` → `BundledFonts.init` → `restrictToBundled`) и правила 1–10 (`DocxRewritePipeline.STEP`) + `OleObjectNormalizer` — до `WordprocessingMLPackage.load`; `FOSettings`/`FopFallbackFonts`/`LayoutPostRenderer` — до `setCustomXsltTemplates(VendoredXslt.TEMPLATES)`; `Docx4J.toFO(…, FLAG_EXPORT_PREFER_XSL)` — последним; `finally` → `deleteEmbeddedFontTempFiles()` + сброс имиджевых кешей общей FopFactory + `BundledFonts.restrictToBundled()` (реестр шрифтов возвращается в бандл-состояние: `load()` регистрирует встроенные шрифты документа в глобальном `PhysicalFonts`). Полная таблица шагов и подсчёт страниц — `docs/agent/pipeline.md`.
Порядок: шрифты (`BundledFontMapper` → `BundledFonts.init` → `restrictToBundled`) и правила 1–8 (`DocxRewritePipeline.STEP`) + `OleObjectNormalizer` — до `WordprocessingMLPackage.load`; `FOSettings`/`FopFallbackFonts`/`LayoutPostRenderer` — до `setCustomXsltTemplates(VendoredXslt.TEMPLATES)`; `Docx4J.toFO(…, FLAG_EXPORT_PREFER_XSL)` — последним; `finally` → `deleteEmbeddedFontTempFiles()` + сброс имиджевых кешей общей FopFactory + `BundledFonts.restrictToBundled()` (реестр шрифтов возвращается в бандл-состояние: `load()` регистрирует встроенные шрифты документа в глобальном `PhysicalFonts`). Полная таблица шагов и подсчёт страниц — `docs/agent/pipeline.md`.
## Нормализаторы (`internal/DocxNormalizer`)
Контракт: `byte[] normalize(byte[]) throws IOException`; нечего менять → вернуть **тот же массив** (`assertSame`). Порядок фиксирован: Strict→OnOff→Symbol→Field→Invisible→GlyphCoverage→TableIndent→NumberingSuffix→Hidden→Ruby. Правила 1–10 применяет `DocxRewritePipeline.STEP` одним zip-проходом (неизменённые записи копируются raw-сжатыми байтами); `OleObjectNormalizer` (правило 11) — лямбдой в `WordPdfConverter.normalizers()`. `STEP` выставляют 9 из 10 rewrite-нормализаторов (нет у `RubyNormalizer`), у `OleObjectNormalizer` её нет. Правила 1–11, guard'ы, номера секций и инвариант `mc-preprocessor.xslt` (собственный рерайт strict-URI ломать нельзя) — `docs/agent/pipeline.md`.
Контракт: `byte[] normalize(byte[]) throws IOException`; нечего менять → вернуть **тот же массив** (`assertSame`). Порядок фиксирован: Strict→OnOff→Invisible→GlyphCoverage→TableIndent→NumberingSuffix→Hidden→Ruby. Правила 1–8 применяет `DocxRewritePipeline.STEP` одним zip-проходом (неизменённые записи копируются raw-сжатыми байтами); `OleObjectNormalizer` (правило 9) — лямбдой в `WordPdfConverter.normalizers()`. `STEP` выставляют 7 из 8 rewrite-нормализаторов (нет у `RubyNormalizer`), у `OleObjectNormalizer` её нет. Правил Symbol-шрифтов и complex-полей PAGE/NUMPAGES больше нет — с docx4j 17.3.x их делает сам экспорт (#701, CR-067); пины отсутствия регрессии — `symbolFonts_bulletsAreNotHash`, `pageNumbers_recomputedNotCached`. Правила 1–9, guard'ы, номера секций и инвариант `mc-preprocessor.xslt` (собственный рерайт strict-URI ломать нельзя) — `docs/agent/pipeline.md`.
## Мост `.doc` → `.docx` (`internal/doc`)
@@ -47,15 +47,16 @@ Java2D → PNG: `ChartRenderer.DPI = 300`, потолок `MAX_PIXELS = 16_777_2
## Критические инварианты (нарушение = битый вывод, не исключение)
- `docx4j.convert.out.fo.gsubFeatures=false` — static-блок `WordPdfConverter`; иначе FO невалиден → `WordLayoutFixups` молча отказывает всем фиксам → FOP падает на `docx4j-baseline`.
- `docx4j.openpackaging.load.repair=word` — static-блок `WordPdfConverter` (17.3.6, `RepairMode`): с дефолтным NONE пакеты, которые Word открывает через «восстановить» (напр. case-folded дубликаты zip-записей), отказываются грузиться — для конвертера это 500 на читаемых Word файлах.
- `docx4j.fonts.discoverPhysicalFonts.enabled=false` и `discoverJarFonts.enabled=false` — static-блок: иначе `BestMatchingMapper` сканирует системные шрифты и jar'ы classpath'а, а `restrictToBundled()` всё найденное выбрасывает (~100–140 мс впустую на JVM). `discoverJarFonts("fonts-symbol")` свойством не гейтится — символ-шрифт регистрируется и снимается restrict'ом как раньше.
- Единственный XSL-FO-стилист — вендорный `xslt/docx2fo.xslt` (копия из docx4j-export-fo 17.3.2 + два AUDIT-FIX-патча: `w:rPr/w:position` → `baseline-shift`, Part 1 §17.3.2.24; AUDIT-FIX-2 — `w:moveFrom`/`w:moveTo`/`w:bdo`/`w:dir`, иначе их ловит catch-all `match="*"` и текст теряется). Дрейф-гейт `vendoredXsltTracksJarCopy`: вне AUDIT-FIX-регионов копия побайтно равна стилю из jar'а. `setCustomXsltTemplates` принимает предкомпилированный `Templates`.
- Единственный XSL-FO-стилист — вендорный `xslt/docx2fo.xslt` (копия из docx4j-export-fo 17.3.6 + два AUDIT-FIX-патча: `w:rPr/w:position` → `baseline-shift`, Part 1 §17.3.2.24; AUDIT-FIX-2 — `w:moveFrom`/`w:moveTo`/`w:bdo`/`w:dir`, иначе их ловит catch-all `match="*"` и текст теряется). Дрейф-гейт `vendoredXsltTracksJarCopy`: вне AUDIT-FIX-регионов копия побайтно равна стилю из jar'а. `setCustomXsltTemplates` принимает предкомпилированный `Templates`.
- `slf4j-simple` обязателен в ядре: без SLF4J-провайдера docx4j пишет «TO HIDE THESE MESSAGES» прямо в PDF (регрессия `noLoggingWarningInPdf`); приложение исключает его — логи ведёт logback.
- FOP — форк `org.docx4j:docx4j-fo-renderer*` 2.11-docx4j.6 (транзитив от `docx4j-export-fo`, в pom не пинится; пакеты `org.apache.fop.*`). `FopFallbackFonts` берёт `w:renderer` с mime `application/pdf`, иначе первый со шрифтами.
- FOP — форк `org.docx4j:docx4j-fo-renderer*` 2.12-docx4j.1 (транзитив от `docx4j-export-fo`, в pom не пинится; пакеты `org.apache.fop.*`). `FopFallbackFonts` берёт `w:renderer` с mime `application/pdf`, иначе первый со шрифтами.
- `BundledFonts.init()` идемпотентен, распаковывает TTF в `wordpdf-fonts-*` (`deleteOnExit`); `dropNonBundled()` чистит `PhysicalFonts` от всего, что вне бандла; ВСЕ синхронизированные методы `BundledFonts` (`init`/`restrictToBundled`/`font`) держат монитор `WordPdfConverter.class` (не собственный замок класса) — тот же, что сериализует конвертации, поэтому внешний вызов рядом с идущей конвертацией безопасен автоматически. Регрессия — `WordPdfConverterTest#concurrentFontMutators_conversionsUnharmed`.
- `PhysicalFonts` — глобальный и мутируемый → конвертации сериализуются монитором `WordPdfConverter.class` внутри ядра (общая `FopFactory` и сброс её image-кешей — под тем же монитором); приложение держит однопоточный воркер ради 503/timeout; `warmup()` идёт тем же потоком.
- Страницы в валидаторе = `max(кэш docProps/app.xml, явные разрывы, lastRenderedPageBreak+1)`; правила StAX-подсчёта — `docs/agent/pipeline.md`.
- Не чинить: `jc="distribute"`, `suff="tab"`/`lvlJc`, метрика «single», кернинг, `framePr`, `REF`/`SEQ`/`TOC`-кэш, руби-надстрочница, U+2188/U+218A — доказательства в `docs/agent/render-limitations.md`.
- Комментарии в `WordPdfConverter`/`DocxOnOffNormalizer` говорят «docx4j 11.x» — устаревшее число, фактически 17.3.2 (описанное поведение верно).
- Не чинить: `jc="distribute"` (в FOP-форке 2.12 есть `text-align-last`, но маппинг `Justification` не эмитит его и межсимвольного разноса нет), `suff="tab"`/`lvlJc`, метрика «single», кернинг, `REF`/`SEQ`/`TOC`-кэш, руби-надстрочница, U+2188/U+218A — доказательства в `docs/agent/render-limitations.md`. `framePr` починен апстримом 17.3.6 (фрейм позиционируется).
- Комментарии в `WordPdfConverter`/`DocxOnOffNormalizer` говорят «docx4j 11.x» — устаревшее число, фактически 17.3.6 (описанное поведение верно).
## Шрифты (30 TTF + 3 лицензии, SIL OFL, `wordpdf-core/src/main/resources/fonts/`)
@@ -119,7 +120,7 @@ python3 docs/standards/docx/validate-fixtures.py wordpdf-core/src/test/resources
- Стек: JUnit 6 (`org.junit.jupiter`), только `Assertions` — Mockito/AssertJ не использовать; в app-тестах допустим inline-Hamcrest `containsString` в `andExpect`; тестовые классы package-private, зеркалят main-пакеты. Счётчики — `docs/agent/testing.md`.
- **PDF сравнивается текстом, не растеризацией**: PDFBox 3, `PDFTextStripper`; негативные маркеры — `.notdef` (`#`) и `Helvetica`; текст нормализуется по пробелам (`norm`). Пиксельные проверки — только в юнитах chart-пейнтеров (допуски `assertRatio` < 0.06 / < 0.10). Детали — `docs/agent/repo-map.md`.
- Регрессивная конвенция: фикс = нормализатор/рендерер + юнит + конвертер-тест; в javadoc фикса — ссылка «Регрессия — Test#имя, фикстура samples/…». Пары `XxxNormalizerTest`↔`тест-в-конвейере` воспроизводятся грепом по этим ссылкам; исключения — `docs/agent/testing.md`.
- Фикстуры — только закоммиченные `samples/*.docx` (13) + `samples/*.doc` (12), в тестах не генерировать; контракт нормализаторов «нечего менять → тот же массив» (`assertSame`) + неприкосновенность частей вне `word/*.xml`.
- Фикстуры — только закоммиченные `samples/*.docx` (14) + `samples/*.doc` (12), в тестах не генерировать; контракт нормализаторов «нечего менять → тот же массив» (`assertSame`) + неприкосновенность частей вне `word/*.xml`.
- App-тесты: `@SpringBootTest` + `@AutoConfigureMockMvc` (Boot 4: `org.springframework.boot.webmvc.test.autoconfigure`); четыре набора свойств = четыре контекста (отдельные классы, не `@Nested`); `ConversionServiceTest`/`ApiExceptionHandlerTest` — без Spring. Core-юниты Spring **не поднимают**; app-тесты проверяют только HTTP-код/заголовки/текст ошибки. Детали — `docs/agent/testing.md`.
- Жизненный цикл: только `@Test`; исключения — два `@BeforeAll` (прогрев шрифтов) и `@AfterEach drainWorker` в `ConversionTimeoutTest`. Ни `@Nested`, ни `@ParameterizedTest`, ни `@Disabled`, ни `assertAll`.
- Идиомы загрузки фикстур: **core** — classloader без ведущего слэша, **app** — class-relative со слэшем (core test-jar). Синтетика: docx — `ZipOutputStream`, `.doc` — крафт `POIFSFileSystem`.
+12 -11
View File
@@ -1,6 +1,6 @@
# java-word-pdf
Конвертация **.docx/.doc → PDF** на чистом Java: `docx4j` 17.3.2 + форк
Конвертация **.docx/.doc → PDF** на чистом Java: `docx4j` 17.3.6 + форк
`Apache FOP`, без LibreOffice/Aspose. Бинарный `.doc` (Word 97–2003) читается
собственным мостом [MS-DOC]/[MS-CFB] и переносится в .docx в памяти — дальше
идёт тем же конвейером. Шрифты упакованы в jar — конвертация не зависит от
@@ -41,7 +41,7 @@ java-word-pdf/
|`ru.pjandro.wordpdf.ConversionException`|ошибки конвертации; подтипы `ValidationException` (некорректный вход) и `DrawingFoundException` (`enum Kind {CHARTS, SMARTART, OLE}`)|
|`ru.pjandro.wordpdf.fonts.BundledFonts`|выгрузка TTF из jar и регистрация в docx4j|
|`ru.pjandro.wordpdf.fonts.BundledFontMapper`|маппинг имён шрифтов документа → TTF|
|`ru.pjandro.wordpdf.internal.DocxRewritePipeline`|правила 1–10 нормализации XML-частей одним zip-проходом (+ `OleObjectNormalizer`, правило 11)|
|`ru.pjandro.wordpdf.internal.DocxRewritePipeline`|правила 1–8 нормализации XML-частей одним zip-проходом (+ `OleObjectNormalizer`, правило 9)|
|`ru.pjandro.wordpdf.internal.doc.DocToDocx`|мост бинарного `.doc` → in-memory `.docx` (`convert`/`countPages`)|
|`ru.pjandro.wordpdf.internal.FopFallbackFonts`|декларация fallback-семейства в FOP-конфиге|
|`ru.pjandro.wordpdf.internal.chart.DrawingPreRenderer`|диаграммы/SmartArt → PNG до XSL-FO|
@@ -294,15 +294,16 @@ Dev-режим без контейнеров: бэкенд `java -jar wordpdf-ap
1. Вход проверяется до рендера: размер → сигнатура (zip PK или CFB) → (.docx:
контейнер и страницы lightweight-StAX по zip; .doc: страницы по чистому
бинарному документу мостом) — `WordPdfValidator`, без зависимости от docx4j.
2. XML-части переписывает `DocxRewritePipeline` одним zip-проходом — десять
2. XML-части переписывает `DocxRewritePipeline` одним zip-проходом — восемь
правил (порядок значим): strict→transitional (`w:start`/`w:end`, проценты),
`on/off` → `true/false` (иначе docx4j теряет значение, и regular-раны
рендерились жирным курсивом), маркеры Symbol/Wingdings → Unicode (вместо «#»),
поля `PAGE`/`NUMPAGES` → `w:fldSimple` (пересчитываются, а не печатают кэш
из docx), невидимые символы, раны со знаками вне их шрифта (резка по покрытию
глифов), `w:jc` center/right + `w:tblInd` → абсолютный отступ таблицы,
`w:suff="space"` → пробел в номере списка, скрытые раны (`w:vanish`), руби
(надстрочница вырезается). Затем вычищаются OLE-объекты (правило 11,
рендерились жирным курсивом), невидимые символы, раны со знаками вне их
шрифта (резка по покрытию глифов), `w:jc` center/right + `w:tblInd` →
абсолютный отступ таблицы, `w:suff="space"` → пробел в номере списка,
скрытые раны (`w:vanish`), руби (надстрочница вырезается). Маркеры
Symbol/Wingdings и поля `PAGE`/`NUMPAGES` не переписываем — с docx4j 17.3.x
экспорт делает это сам (маркеры → Unicode, complex-поля → пересчёт вместо
кэша). Затем вычищаются OLE-объекты (правило 9,
`OleObjectNormalizer`, картинка-плейсхолдер сохраняется).
3. Документ загружается в `WordprocessingMLPackage`, привязывается
`BundledFontMapper`.
@@ -326,9 +327,9 @@ Dev-режим без контейнеров: бэкенд `java -jar wordpdf-ap
целиком на SIL OFL.
- Поддержка таблиц/изображений — базовая (через docx4j/FOP).
- Часть расхождений с Word — неустранимые невозможности FOP/docx4j
(`jc="distribute"`, `suff="tab"`, кернинг, `framePr`, кэш `REF`/`SEQ`/`TOC`,
(`jc="distribute"`, `suff="tab"`, кернинг, кэш `REF`/`SEQ`/`TOC`,
надстрочница руби) — полный перечень с доказательствами:
`docs/agent/render-limitations.md`.
`docs/agent/render-limitations.md`. `w:framePr` с docx4j 17.3.6 позиционируется.
- На `.doc` error-флаги диаграмм/SmartArt/OLE не срабатывают: BLIP-плейсхолдеры
бинарного формата — уже растры, они вставляются картинками; EMF/WMF/PICT
пропускаются с warn.
+1 -1
View File
@@ -15,7 +15,7 @@
|`Sections`|PlcfSed (§2.8.26): aCP n+1 + Sed n (12 Б) + Sepx (cb + секционные sprm) → `list()` — список record'ов `Section` (CP-диапазон, геометрия секции, `continuous` из sprmSBkc, `landscape` из sprmSBOrientation 0x301D (§2.9.236: 1/2), нумерация страниц — `pgNumStart` (0 = не задан; sprmSFPgnRestart 0x3011 + sprmSPgnStart97 0x501C, restart без start клампится к 1) и `nfcPgn` (sprmSNfcPgn 0x300E, MSONFC), колонки — sprmSCcolumns 0x500B (число − 1, кап 44), sprmSFEvenlySpaced 0x3005 (Bool8, дефолт true), sprmSDxaColumns 0x900C; при неравных колонках per-column ширины/зазоры из sprmSDxaColWidth 0xF203/sprmSDxaColSpacing 0xF204 (SDxaColWidthOperand/SDxaColSpacingOperand §2.9.241/.242: iCol+dxa)); `titlePage` из sprmSFTitlePage 0x300A (Bool8)); невозрастающие aCP → `ConversionException`; финальный aCP реальные файлы пишут за ccpText (PLC покрывает весь текстовый поток) — конец последней секции клампится к ccpText; `pageWidth()`/`header()`/`footer()` — геометрия последней секции (полоса набора для правила 7), `continuousSectionEnds()` — вычитание из подсчёта страниц (последняя секция не считается)|
|`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 **каждой** секции → своя часть `headerN.xml`/`footerN.xml` (нумерация независимая по типу) и `headerReference`/`footerReference` type="default" в её sectPr; **first hdr/ftr (слоты 4/5 §2.8.22)** — только когда у секции Sepx задал sprmSFTitlePage → `type="first"` (нумерация общая с first-частями; регрессия — DocToDocxFormattingTest#titlePage_emittedAfterCols, WordPdfConverterTest#docTitlePage_firstHeaderOnlyFirstPage); пустая история [x,x) → части нет, docx4j наследует колонтитук предыдущей секции; guard-¶ отрезается; PAGE/NUMPAGES/SECTIONPAGES → `w:fldSimple` (та же семантика, что `FieldNormalizer` в docx-пути)|
|`Headers`|Plcfhdd (§2.4.1): 6 разделителей + по 6 историй на секцию (even/odd/first × hdr/ftr); odd hdr/ftr **каждой** секции → своя часть `headerN.xml`/`footerN.xml` (нумерация независимая по типу) и `headerReference`/`footerReference` type="default" в её sectPr; **first hdr/ftr (слоты 4/5 §2.8.22)** — только когда у секции Sepx задал sprmSFTitlePage → `type="first"` (нумерация общая с first-частями; регрессия — DocToDocxFormattingTest#titlePage_emittedAfterCols, WordPdfConverterTest#docTitlePage_firstHeaderOnlyFirstPage); пустая история [x,x) → части нет, docx4j наследует колонтитук предыдущей секции; guard-¶ отрезается; PAGE/NUMPAGES/SECTIONPAGES → `w:fldSimple` (та же семантика, что в docx-пути, где complex-поля пересчитывает экспорт docx4j 17.3.x)|
|`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)|
|`PrcData`|§2.9.210 PrcData в Data-потоке (`[cbGrpprl:2][grpprl]`, капа cb 0x3FA2, поля `next` нет): `resolve(data, grpprl)` разворачивает grpprl абзаца, чьи свойства Word вынес за FKP-страницу PAPX, — одиночный Prl `sprmPHugePapx` (0x6646; в grpprl GrpPrlAndIstd — единственный Prl при istd=0, §2.6.2) и `sprmPTableProps` (0x646B — цепочка продолжается в указанном PrcData). Оба указателя разворачиваются на своей позиции **без обрыва** текущего массива, не-спец-спрмы сохраняются (union): spec §2.6.2 велит хвост за PTableProps игнорировать, но Word пишет в нём легаси-зеркало (в `samples/ru-table-image.doc` — единственный `sprmTDefTable`, Appendix A <9>), а `sprmTInsert` из PrcData конвертер не читает — замещение ломало бы сетку; спец-спрмов нет → **тот же массив** (по ссылке); любой брак (ptr за Data, cb вне [1, 0x3FA2], цикл A→B→A — бюджет 32 PrcData) → останов без исключения, снисходительно (образец `Styles`/`Lists`). Подключается единственной точкой — `DocxBody.buildRange` (покрывает тело, колонтитуки, TTP-ветку и обычные huge-PAPX абзацы). Регрессия — `DocToDocxFormattingTest#hugePapxRowMark_closesRowWithGridFromPrcData` |
|`DocToDocx`|Оркестратор + вложенный `DocxBody`: текст → раны (CHPX+стилевой chpx-цепочка +chpx-цепочка символьного стиля по **sprmCIstd** (`Styles.charChain` — между стилевой цепочкой и прямыми, §2.4.6.5) → rPr (в т.ч. `w:highlight`/`w:shd`), прямой PAPX — после `PrcData.resolve` — +стилевая papx-цепочка (отступы через `Grpprl.Indents`, 80-варианты включительно; `sprmPChgTabsPapx`/`sprmPChgTabs` → `w:tabs`, у стилевого варианта радиус удаления из `rgdxaClose`) + sprmPIlfo/sprmPIlvl → pPr + `w:numPr` (между pageBreakBefore и tabs, CT_PPr §17.3.1.26; ilfo=0 перекрывает стилевой, ilvl=0x0C и неразрешённый numId → без numPr), base→derived→direct last-wins; флаги рана: vanish — мост фильтрует вывод рана (`w:vanish` в FO мёртв), caps/smallCaps — `Character.toUpperCase` в мосту (`w:caps`/`w:smallCaps` конвейер не читает, FOP без font-variant), rMarkIns/rMarkDel — ран оборачивается в `w:ins`/`w:del`+`w:delText` (шаблоны docx2fo рисуют правки — вид «Show Markup»), hpsPos → `w:position` (вендорный AUDIT-FIX → baseline-shift)), ¶ → `<w:p>`; TAB/0x0B → `w:tab`/`w:br`, 0x0E → `w:br type="column"` (конец колонки при sprmSCcolumns), 0x0C в ране → `w:br type="page"`, 0x0C в конце абзаца — **разрыв секции**: `sectPr` соответствующей `Sections.Section` (матчинг по конечному CP) в pPr этого абзаца, внутри таблицы деградирует в `w:br type="page"`; body-level `sectPr` — последняя секция; `w:type continuous` из sprmSBkc; `w:pgSz w:orient="landscape"` со сменой w/h местами, `w:pgNumType` (`w:start` при restart, `w:fmt` только для числовых nfc — общий маппинг `Lists.numFmt`), `w:cols` (evenly → `w:num`+`w:space`, иначе per-column `w:col`; неравные/неполные ширины → деградация в одноколонную), `w:titlePg` из `Section.titlePage` (после w:cols, CT_SectPrBase §17.2.3) — `DocxBody.sectPrXml`/`appendPgNumType`/`appendCols`; pPr: `w:shd` из sprmPShd/…80 перед `w:tabs` (CT_PPr §17.3.1.26), `w:keepNext`/`w:keepLines` перед `w:pageBreakBefore` (CT_PPr §17.3.1.26); 0x1E → U+2011, 0x1F → U+00AD, 0x02/0x03/0x04 (сноски) → пропуск; U+0001/U+0008 со sprmCPicLocation → DrawingML `pic` (общий путь с картинками и OLE-fallback; 0x08 — якорь плавающей картинки §2.9.267, переносится inline-приближением: PlcfSpa не читается, позиция/обтекание теряются); field-символы в основном тексте: инструкция скрыта, кэшированный результат после разделителя видим; **табличный автомат**: абзац с 0x07 без TTP закрывает ячейку, 0x07+sprmPFTtp — конец строки (`Tables.parse` по TAP → `w:tbl`/`w:tr`/`w:tc`, сам маркер не эмитится), sprmPFInTable открывает ячейку; без корректного TDefTable строка деградирует в плоские абзацы (прежнее поведение); сетка первой строки действует на всю таблицу как `tblGrid`, ширины/объединение ячеек каждой строки — из её собственного TDefTable (горизонтальное слияние → `w:gridSpan`)|
+14 -13
View File
@@ -6,7 +6,7 @@
|---|---|---|
| 0 | `DependencyGuard.check()` | API-проба `ZipArchiveInputStream.getNextEntry()` — совместимость commons-compress ≥ 1.25.0; иначе `ConversionException` с инструкцией вместо мутного `NoSuchMethodError` внутри docx4j |
| 1 | `new BundledFontMapper()` → `BundledFonts.init()` → `restrictToBundled()` | Конструктор маппера (static `BestMatchingMapper`) регистрирует в `PhysicalFonts` только symbol-шрифты из `docx4j-export-fo-fonts-symbol` (сканы системы и jar'ов отключены в static-блоке `WordPdfConverter` гейт-свойствами — всё найденное всё равно выбрасывает `restrictToBundled()`); `init()` вызывает `dropNonBundled()` **до** регистрации бандла, `restrictToBundled()` оставляет реестр = бандл + встроенные в docx. Порядок `init()` после конструктора — инвариант: `addPhysicalFont` не перезаписывает занятый ключ (иначе системный Calibri ломает em-dash-fallback) |
|2|`DocxRewritePipeline.STEP` → `OleObjectNormalizer` → `WordprocessingMLPackage.load`|Один zip-проход переписывания XML-частей (правила 1–10 — раздел «Нормализаторы: контракт и правила 1–11» в этом файле) + условная OLE-вычистка (правило 11)|
|2|`DocxRewritePipeline.STEP` → `OleObjectNormalizer` → `WordprocessingMLPackage.load`|Один zip-проход переписывания XML-частей (правила 1–8 — раздел «Нормализаторы: контракт и правила 1–9» в этом файле) + условная OLE-вычистка (правило 9)|
| 3 | `pkg.setFontMapper(mapper)` | Привязка шрифтов документа к физическим TTF |
| 3.5 | `DrawingPreRenderer.run(pkg, options)` | `c:chart`/`dgm:relIds` → PNG 300 dpi → `pic:pic` (docx2fo.xslt их не умеет) |
| 4 | `new FOSettings(pkg)` + `FopFallbackFonts.declare(foSettings)` | В FOP-конфиг добавляются **все** бандл-семейства: FOP встраивает только задекларированные |
@@ -22,24 +22,25 @@
### Валидация входа и подсчёт страниц
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. Скан выполняется ровно один раз по сырому входу, до аллокаций docx4j: правила 1–10 число учитываемых разрывов не увеличивают (правило 9 способно только убрать разрыв внутри скрытого рана — счёт по сырому входу остаётся верхней оценкой лимита).
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. Скан выполняется ровно один раз по сырому входу, до аллокаций docx4j: правила 1–8 число учитываемых разрывов не увеличивают (правило 7 способно только убрать разрыв внутри скрытого рана — счёт по сырому входу остаётся верхней оценкой лимита).
- Страницы в валидаторе = `max(кэш docProps/app.xml, явные разрывы, lastRenderedPageBreak+1)`; explicit = межсекционные `w:sectPr` в body + `w:br type="page"` + `pageBreakBefore` (включая таблицы и `w:sdt`). Единственный путь — lightweight (StAX по zip, secure-ридер без DTD/external entities; `WordPdfValidator` не зависит от docx4j): атрибуты — по локальному имени (`attrLocal`, не по transitional-URI: иначе в strict-документе `w:br type="page"` не засчитываются); `sectPr` внутри `pPr` не считает, последнюю body-direct секцию не считает, `continuous`-секции не считает, в колонтитуках — только `w:br type="page"`, `pageBreakBefore` — только внутри `pPr` вне `sectPr` (truthy `val`: `null|true|1|on`). На не-zip молчит — подпись проверяет вызывающий. `checkPageCount` — один стриминговый проход `ZipInputStream` без буферизации частей (хелпер `noClose` глушит `close()` сканеров): потребление O(одной части) вместо O(суммы XML-частей).
### Нормализаторы: контракт и правила 1–11 (детали)
### Нормализаторы: контракт и правила 1–9 (детали)
Контракт: `byte[] normalize(byte[]) throws IOException`; нечего менять → вернуть **тот же массив** (`assertSame` в тестах). Десять rewrite-нормализаторов цепляются в фиксированном порядке Strict→OnOff→Symbol→Field→Invisible→GlyphCoverage→TableIndent→NumberingSuffix→Hidden→Ruby; константу `STEP` (`public static final DocxNormalizer`) выставляют девять из десяти (нет только у `RubyNormalizer` — он цепочный, подключается внутри пайплайна), у `OleObjectNormalizer` STEP **нет** — он подключается лямбдой в `WordPdfConverter.normalizers()`. Правила 1–10 применяет `internal/DocxRewritePipeline` — **один zip-проход**: к каждой записи `word/*.xml` рерайты применяются последовательно (каждое правило работает только содержимым одной части — по-частная цепочка эквивалентна последовательным полным проходам); до прохода из `word/document.xml` извлекается полоса набора (`TableIndentNormalizer.bandOf`, −1 — полосы нет), и `word/headerN.xml`/`footerN.xml` дополнительно прогоняются через `TableIndentNormalizer.rewritePart` с этой полосой, и из `word/styles.xml` читается множество vanish-стилей (`HiddenTextNormalizer.vanishStyles`, цепочка `w:basedOn`) — контекст правила 9; неизменённые записи переносятся raw-копией сжатых байтов (без inflate/deflate); нигде не поменялось → тот же массив. `OleObjectNormalizer` — второй условный проход (меняет части, а не XML). Индивидуальные `normalize()` десяти нормализаторов сохранены (контракт юнит-тестов), но `WordPdfConverter` их не вызывает — его `normalizers(options)` = `DocxRewritePipeline.STEP` + лямбда OLE. Порядок правил значим:
Контракт: `byte[] normalize(byte[]) throws IOException`; нечего менять → вернуть **тот же массив** (`assertSame` в тестах). Восемь rewrite-нормализаторов цепляются в фиксированном порядке Strict→OnOff→Invisible→GlyphCoverage→TableIndent→NumberingSuffix→Hidden→Ruby; константу `STEP` (`public static final DocxNormalizer`) выставляют семь из восьми (нет только у `RubyNormalizer` — он цепочный, подключается внутри пайплайна), у `OleObjectNormalizer` STEP **нет** — он подключается лямбдой в `WordPdfConverter.normalizers()`. Правила 1–8 применяет `internal/DocxRewritePipeline` — **один zip-проход**: к каждой записи `word/*.xml` рерайты применяются последовательно (каждое правило работает только содержимым одной части — по-частная цепочка эквивалентна последовательным полным проходам); до прохода из `word/document.xml` извлекается полоса набора (`TableIndentNormalizer.bandOf`, −1 — полосы нет), и `word/headerN.xml`/`footerN.xml` дополнительно прогоняются через `TableIndentNormalizer.rewritePart` с этой полосой, и из `word/styles.xml` читается множество vanish-стилей (`HiddenTextNormalizer.vanishStyles`, цепочка `w:basedOn`) — контекст правила 7; неизменённые записи переносятся raw-копией сжатых байтов (без inflate/deflate); нигде не поменялось → тот же массив. `OleObjectNormalizer` — второй условный проход (меняет части, а не XML). Индивидуальные `normalize()` восьми нормализаторов сохранены (контракт юнит-тестов), но `WordPdfConverter` их не вызывает — его `normalizers(options)` = `DocxRewritePipeline.STEP` + лямбда OLE. Порядок правил значим:
1. `StrictOoxmlNormalizer` — strict-OOXML → transitional: `a:`-проценты и `w14:fillToRect` → тысячные ×1000, текст `wp14:pctWidth`/`pctHeight`; элементы `w:start`/`w:end` → `w:left`/`w:right` (кроме `w:lvl/w:start` в numbering.xml); значения `w:val="start"/"end"` у `w:jc` и `w:tab` правятся **всегда** (docx4j `Justification.setXslFO` знает только left/center/right/both, для END `fo:text-align` не пишет вовсе — `jc="end"` рендерился по левому краю; Part 1 §17.3.1.13: `jc val="end"` — правовыравнивание в LTR, ST_Jc §17.18.44; RTL вне контура — FOP без complex-script). Strict-ность части определяется наличием `http://purl.oclc.org` (не «transitional-URI в документе» — mixed-документ трактуется по каждой части). **Guard сосуществования форм**: атрибут `w:start`/`w:end` переименовывается только внутри открывающего тега `w:ind` (MS-OI29500 §2.1.174a — псевдонимы left/right; у `w:pgNumType` `w:start` — старт нумерации страниц, легален в transitional, Part 1 §17.13.7 — не трогается) и не переименовывается, если в том же открывающем теге уже есть `w:left`/`w:right` (дубль атрибута ломает well-formedness — регрессии `indCoexistLeftStartUntouched`, `indCoexistForms_convertsNotRejected`, `pgNumTypeStartAttrUntouched`); элементы `w:start`/`w:end` в strict-части переименовываются глобально, в transitional — только внутри `w:tcMar`/`w:tblCellMar` без одноимённого соседа (`maxOccurs=1` на left). Ничего не поменялось → `rewrite` вернул `null` → исходный массив (`StrictOoxmlNormalizerTest#transitionalCoexistReturnsOriginalArray`).
2. `DocxOnOffNormalizer` — `w:val="off"/"on"` → `"false"/"true"`; якорь по тегу, правится только атрибут `w:val`, текст между тегами не трогается.
3. `SymbolFontNormalizer` — PUA U+F000–U+F0FF (Symbol/Wingdings/Webdings) → Unicode + DejaVu Sans; переписывает `<w:sym>`, правит `w:lvl` в numbering.xml; 5 карт по 256 слотов (таблица `SymbolMapper` из docx4j 17.x).
4. `FieldNormalizer` — `fldChar` PAGE/NUMPAGES/SECTIONPAGES → `w:fldSimple` (кэш страниц в PDF не попадает); вложенные/битые поля пропускаются.
5. `InvisibleCharNormalizer` — вырезает из `w:t` U+0085, U+2028, U+2029, U+200E/200F, U+202A–202E, U+2060, U+FEFF (FOP делает из них переносы/пустые строки, Arimo/Tinos рисуют боксы). U+00A0/U+00AD/U+200B–U+200D **не** трогает.
6. `GlyphCoverageNormalizer` — режет раны по покрытию глифов и пишет семейство в `w:rFonts`, иначе FOP рисует «#». Покрытие — `GlyphFont` (fontbox, cmap) + BitSet-кэш, **не** docx4j `GlyphCheck` (плодит INFO-лог; `java.awt.Font` требовал fontconfig на хосте). Для serif-ран fallback ищется сначала в `SERIF_FAMILIES` (`dejavu serif`, `tinos`, `caladea`), затем в sans.
7. `TableIndentNormalizer` — свёртка `w:tblPr/w:jc` (center/right) с любым (в т.ч. отсутствующим/нулевым) `w:tblInd` в абсолютный `w:tblInd` с удалением `w:jc` (Word: tblInd — сдвиг от поля после центрирования, MS-OI29500 §2.1.155; docx4j при jc≠left игнорирует tblInd буквально — Part 1 §17.4.50, а центрированию пишет абсолютный start-indent **без** вычета cellMar, поверх которого padding-компенсация правила LayoutPostRenderer уводит текст на +padding — свёртка обязательна и при X=0): center → (W−T)/2+X, right → (W−T)+X, W — полоса набора (pgSz − pgMar left/right в transitional и `w:start`/`w:end` в strict; дефолты 11906/1440 — измеренное поведение docx4j, не ECMA-1800), T — Σ gridCol; пропускает несколько body-level `sectPr`, не-dxa `tblInd`, `tblPr` с `tblCellSpacing` без `tblInd` (нет корректной позиции вставки по CT_TblPrBase), `tblW pct`, нецелые gridCol. Кроме `rewrite`/`STEP` (document.xml, полоса из собственного sectPr) есть `rewritePart(part, xml, band)` — `word/headerN.xml`/`footerN.xml` с полосой из document.xml (в частях колонтитуков своего sectPr нет) и `bandOf(documentXml)` — экстрактор полосы (−1 — полосы нет). Регрессия — WordPdfConverterTest#tableIndentCentered_shiftedLikeWord, #headerTableIndent_centeredInHeader, #tableCenteredNoIndent_shiftedLikeWord.
8. `NumberingSuffixNormalizer` — `w:suff w:val="space"` → дописанный обычный пробел в конце следующего `w:lvlText` того же уровня (порядок CT_Lvl suff→lvlText, wml.xsd; Part 1 §17.3.1.28): docx4j разделитель не эмитит вовсе (дамп n4.fo); уже пробельный lvlText не дублируется; suff=tab — отдельный Class C-остаток (нужна per-item ширина), nothing совпадает с docx4j. Регрессия — WordPdfConverterTest#suffSpace_labelGetsSpace.
9. `HiddenTextNormalizer` — вырезание скрытых ранов (Part 1 §17.3.2.30): truthy `w:vanish` в собственном `w:rPr` ранa (обе OnOff-формы; вал опущен — default true) **или** `w:rStyle` ∈ vanish-стили из `word/styles.xml` (транзитивно по `w:basedOn`, капа цепочки 16, цикл — обрыв); ран с защищённым содержимым (`fldChar`/`instrText`/`footnoteReference`/`endnoteReference`/`drawing`/`pict`/`object`/`txbxContent`) не трогается — удаление спаренных `begin…separate…end` сломало бы поле. Word скрытое не печатает, стилист docx4j `vanish` не читает вовсе → без правила скрытое утекало в PDF. Индивидуальный `normalize()` — свой pass styles.xml. Регрессия — WordPdfConverterTest#hiddenText_notPrinted, юниты — HiddenTextNormalizerTest.
10. `RubyNormalizer` — разбор руби-разметки (Part 1 §17.3.3.18/.19/.20/.21): `w:rubyBase`/`w:rubyBaseText` разворачиваются в обычные раны, `w:rt`/`w:rubyPr`/`w:rubyAlign` вырезаются с содержимым (надстрочница — принятая деградация, ruby-разметки в FOP нет; потеря текста хуже потери аннотации). Чинится **в байтах**, а не в XSLT: схема docx4j 17.3.2 не биндит `w:rubyBase`/`w:rt` в `w:r` — unmarshaller теряет их до стилиста (в отличие от `moveFrom`/`moveTo`/`bdo`/`dir`, которых схема знает — тех ловит AUDIT-FIX-2). Регрессия — WordPdfConverterTest#rubyBase_textPrinted, юниты — RubyNormalizerTest.
11. `OleObjectNormalizer` — принимает флаг `errorOnOle`. Два этапа: дешёвый детект по центральному каталогу zip (`ZipFile`; читаются только `[Content_Types].xml` и `word/*.xml` до первого `<w:object`; не-zip/нет центрального каталога → входной массив — прежняя снисходительность), переупаковка — только при находке. Детект OLE-бинарников — по `[Content_Types].xml`: тип `…oleObject` **или** ложный `+xml`-тип у `.bin` (XML в bin не бывает; `printerSettings` не трогается). Удаляются вместе с rels-ссылками (по типу, включая `TargetMode=External`) и Override удалённых частей. Элементы `<w:object>` из `word/*.xml` не выбрасываются, а заменяются статичным представлением — картинкой-плейсхолдером (ECMA-376 §15.2.10): `w:drawing` переиспользуется дословно, `v:imagedata r:id` → inline-DrawingML на ту же image-часть (размер из `style` `v:shape`, иначе `w:dxaOrig`/`w:dyaOrig` ×635), блоки с `w:control` и без плейсхолдера удаляются. OLE-бинарники никогда не читаются. При `errorOnOle=true` вместо вычистки — `DrawingFoundException(OLE)`. Лечит оба механизма падения docx4j: JAXB-разбор бинарника под ложным XML-типом («Content is not allowed in prolog» → NPE) и NPE `chunkType is null` в VML-сериализации `w:object`. Многочастный: публичный член только `normalize(byte[], boolean)`, `rewrite`-хука нет.
> Правил symbol-шрифтов (PUA U+F000–U+F0FF → Unicode) и complex-полей PAGE/NUMPAGES/SECTIONPAGES → `w:fldSimple` в цепочке больше нет — их удалил апгрейд docx4j до 17.3.x: экспорт сам маппит символ-маркеры и пересчитывает page-поля вместо кэша. Пины отсутствия регрессии — `WordPdfConverterTest#symbolFonts_bulletsAreNotHash`, `pageNumbers_recomputedNotCached`.
3. `InvisibleCharNormalizer` — вырезает из `w:t` U+0085, U+2028, U+2029, U+200E/200F, U+202A–202E, U+2060, U+FEFF (FOP делает из них переносы/пустые строки, Arimo/Tinos рисуют боксы). U+00A0/U+00AD/U+200B–U+200D **не** трогает.
4. `GlyphCoverageNormalizer` — режет раны по покрытию глифов и пишет семейство в `w:rFonts`, иначе FOP рисует «#». Покрытие — `GlyphFont` (fontbox, cmap) + BitSet-кэш, **не** docx4j `GlyphCheck` (плодит INFO-лог; `java.awt.Font` требовал fontconfig на хосте). Для serif-ран fallback ищется сначала в `SERIF_FAMILIES` (`dejavu serif`, `tinos`, `caladea`), затем в sans.
5. `TableIndentNormalizer` — свёртка `w:tblPr/w:jc` (center/right) с любым (в т.ч. отсутствующим/нулевым) `w:tblInd` в абсолютный `w:tblInd` с удалением `w:jc` (Word: tblInd — сдвиг от поля после центрирования, MS-OI29500 §2.1.155; docx4j при jc≠left игнорирует tblInd буквально — Part 1 §17.4.50, а центрированию пишет абсолютный start-indent **без** вычета cellMar, поверх которого padding-компенсация правила LayoutPostRenderer уводит текст на +padding — свёртка обязательна и при X=0): center → (W−T)/2+X, right → (W−T)+X, W — полоса набора (pgSz − pgMar left/right в transitional и `w:start`/`w:end` в strict; дефолты 11906/1440 — измеренное поведение docx4j, не ECMA-1800), T — Σ gridCol; пропускает несколько body-level `sectPr`, не-dxa `tblInd`, `tblPr` с `tblCellSpacing` без `tblInd` (нет корректной позиции вставки по CT_TblPrBase), `tblW pct`, нецелые gridCol. Кроме `rewrite`/`STEP` (document.xml, полоса из собственного sectPr) есть `rewritePart(part, xml, band)` — `word/headerN.xml`/`footerN.xml` с полосой из document.xml (в частях колонтитуков своего sectPr нет) и `bandOf(documentXml)` — экстрактор полосы (−1 — полосы нет). Регрессия — WordPdfConverterTest#tableIndentCentered_shiftedLikeWord, #headerTableIndent_centeredInHeader, #tableCenteredNoIndent_shiftedLikeWord.
6. `NumberingSuffixNormalizer` — `w:suff w:val="space"` → дописанный обычный пробел в конце следующего `w:lvlText` того же уровня (порядок CT_Lvl suff→lvlText, wml.xsd; Part 1 §17.3.1.28): docx4j разделитель не эмитит вовсе (дамп n4.fo); уже пробельный lvlText не дублируется; suff=tab — отдельный Class C-остаток (нужна per-item ширина), nothing совпадает с docx4j. Регрессия — WordPdfConverterTest#suffSpace_labelGetsSpace.
7. `HiddenTextNormalizer` — вырезание скрытых ранов (Part 1 §17.3.2.30): truthy `w:vanish` в собственном `w:rPr` ранa (обе OnOff-формы; вал опущен — default true) **или** `w:rStyle` ∈ vanish-стили из `word/styles.xml` (транзитивно по `w:basedOn`, капа цепочки 16, цикл — обрыв); ран с защищённым содержимым (`fldChar`/`instrText`/`footnoteReference`/`endnoteReference`/`drawing`/`pict`/`object`/`txbxContent`) не трогается — удаление спаренных `begin…separate…end` сломало бы поле. Word скрытое не печатает, стилист docx4j `vanish` не читает вовсе → без правила скрытое утекало в PDF. Индивидуальный `normalize()` — свой pass styles.xml. Регрессия — WordPdfConverterTest#hiddenText_notPrinted, юниты — HiddenTextNormalizerTest.
8. `RubyNormalizer` — разбор руби-разметки (Part 1 §17.3.3.18/.19/.20/.21): `w:rubyBase`/`w:rubyBaseText` разворачиваются в обычные раны, `w:rt`/`w:rubyPr`/`w:rubyAlign` вырезаются с содержимым (надстрочница — принятая деградация, ruby-разметки в FOP нет; потеря текста хуже потери аннотации). Чинится **в байтах**, а не в XSLT: схема docx4j 17.3.6 не биндит `w:rubyBase`/`w:rt` в `w:r` — unmarshaller теряет их до стилиста (в отличие от `moveFrom`/`moveTo`/`bdo`/`dir`, которых схема знает — тех ловит AUDIT-FIX-2). Регрессия — WordPdfConverterTest#rubyBase_textPrinted, юниты — RubyNormalizerTest.
9. `OleObjectNormalizer` — принимает флаг `errorOnOle`. Два этапа: дешёвый детект по центральному каталогу zip (`ZipFile`; читаются только `[Content_Types].xml` и `word/*.xml` до первого `<w:object`; не-zip/нет центрального каталога → входной массив — прежняя снисходительность), переупаковка — только при находке. Детект OLE-бинарников — по `[Content_Types].xml`: тип `…oleObject` **или** ложный `+xml`-тип у `.bin` (XML в bin не бывает; `printerSettings` не трогается). Удаляются вместе с rels-ссылками (по типу, включая `TargetMode=External`) и Override удалённых частей. Элементы `<w:object>` из `word/*.xml` не выбрасываются, а заменяются статичным представлением — картинкой-плейсхолдером (ECMA-376 §15.2.10): `w:drawing` переиспользуется дословно, `v:imagedata r:id` → inline-DrawingML на ту же image-часть (размер из `style` `v:shape`, иначе `w:dxaOrig`/`w:dyaOrig` ×635), блоки с `w:control` и без плейсхолдера удаляются. OLE-бинарники никогда не читаются. При `errorOnOle=true` вместо вычистки — `DrawingFoundException(OLE)`. Лечит оба механизма падения docx4j: JAXB-разбор бинарника под ложным XML-типом («Content is not allowed in prolog» → NPE) и NPE `chunkType is null` в VML-сериализации `w:object`. Многочастный: публичный член только `normalize(byte[], boolean)`, `rewrite`-хука нет.
`mc-preprocessor.xslt` docx4j (в jar `docx4j-core`) перебивает strict-namespace'ы в transitional и конвертит `pt` в twips/half-points, но ветку перевода процентов в тысячные для namespace'ных атрибутов содержит с закомментированным `<xsl:value-of select="$cleanValue * 1000"/>` (для атрибутов без namespace — она активна), а `w:start`/`w:end` в `w:left`/`w:right` не маппит вовсе. Поэтому собственный рерайт URI ломать нельзя — он сломал бы pt-конверсию preprocessor'а (FOP получил бы «10pt»).
+2 -2
View File
@@ -4,6 +4,6 @@
- Известный остаток эталона: U+2188/U+218A — глифов нет в OFL-шрифтах бандла, остаются `.notdef` (GNU FreeSerif GPL — не добавляем намеренно).
- Аудит раскладки по ECMA-376 Part 1 (2026-10) — известные нечинимые ограничения FOP/docx4j (Java-слой): `w:jc="distribute"` рендерится как left — межсимвольного распределения в FOP нет (ST_Jc §17.18.44: distribute — межсимвольный разнос, justify только межсловный), последняя строка блока не растягивается, свойства `text-align-last` в форке нет (в docx4j-fo-renderer отсутствуют классы TextAlign*); `w:suff="tab"` и `w:lvlJc` игнорируются (numbering-лейбл всегда через hanging-tab; suff=space чинит правило 8, suff=nothing совпадает с docx4j — разделителя нет); абзац без `w:line` рендерится natural-высотой FOP 15.44pt@11pt, явный `lineRule="auto"` — 13.4277pt, два «single» в конвертере (13.4277 — канонический single по метрикам Carlito/Calibri 2500/2048 em; обе величины считаются по метрикам шрифта); кернинг не применяется ни для одного бандл-семейства (замер: advance A→V = A→A — Carlito 6.369pt, DejaVu Sans 7.524pt@11pt): 22 TTF — GPOS-only, а legacy `kern`-таблица DejaVu Sans/Serif ключована glyph id, не совпадающими с cmap (2568/2727 пар без Unicode-маппинга, пары A→V нет) — латинский путь FOP (`TextLayoutManager`→`Font.hasKerning`) читает только legacy `kern` и такие пары отбрасывает; свойства `kerning` в форке нет, порог `w:kern` через FO не выражается. Word кернит только при явно заданном `w:kern` в иерархии стилей и при sz ≥ val (Part 1 §17.3.2.19; при отсутствии `w:kern` Office не кернит — MS-OI29500 §21.1.2.3.9a) — по умолчанию совпадает с нами, расходится только для документов с явно заданным `w:kern`. Починено веткой layout-class-c: левый padding ячейки (`LayoutPostRenderer`, шаг 4.25), `w:tblInd` при `w:jc`≠left (правило 7), `w:suff="space"` (правило 8).
- Аудит раскладки по ECMA-376 Part 1 (2026-10, реаудит на docx4j 17.3.6 + форке FOP 2.12 — 2026-11) — известные нечинимые ограничения FOP/docx4j (Java-слой): `w:jc="distribute"` рендерится как left — межсимвольного распределения в FOP нет (ST_Jc §17.18.44: distribute — межсимвольный разнос, justify только межсловный), последняя строка блока не растягивается; в форке 2.12 свойство `text-align-last` **есть** (классы `TextAlignLast*`, `Block`/`FoProperties`), но маппинг docx4j `Justification.setXslFO` для `DISTRIBUTE` не эмитит его и ничего не эмитит вовсе (значение не попадает в `fo:text-align*` — замер: край строки 184 pt при полосе до 540 pt); `w:lvlJc` игнорируется (numbering-лейбл всегда у number position: `lvlJc="right"`/`"center"` рендерятся идентично `left` — лейблы по общему левому краю; suff=space чинит правило 6, suff=nothing совпадает с docx4j — разделителя нет); абзац без `w:line` рендерится natural-высотой FOP 15.44pt@11pt, явный `lineRule="auto"` — 13.4277pt, два «single» в конвертере (13.4277 — канонический single по метрикам Carlito/Calibri 2500/2048 em; обе величины считаются по метрикам шрифта); кернинг не применяется ни для одного бандл-семейства (замер на 17.3.6/форке 2.12: dx пары = сумма advance без поправки — Carlito «Wa»/«AV», DejaVu Sans «Ta»; GPOS-only у 22 TTF, а legacy `kern`-таблица DejaVu Sans/Serif ключована glyph id, не совпадающими с cmap (2568/2727 пар без Unicode-маппинга, пары A→V нет) — латинский путь FOP (`TextLayoutManager`→`Font.hasKerning`) читает только legacy `kern` и такие пары отбрасывает; GPOS-путь в форке тоже не применяется); свойства `kerning` в форке нет, порог `w:kern` через FO не выражается. Word кернит только при явно заданном `w:kern` в иерархии стилей и при sz ≥ val (Part 1 §17.3.2.19; при отсутствии `w:kern` Office не кернит — MS-OI29500 §21.1.2.3.9a) — по умолчанию совпадает с нами, расходится только для документов с явно заданным `w:kern`. Починено веткой layout-class-c: левый padding ячейки (`LayoutPostRenderer`, шаг 4.25), `w:tblInd` при `w:jc`≠left (правило 5), `w:suff="space"` (правило 6). Починено апстримом 17.3.6: `w:framePr` (фрейм позиционируется — замер: FRAME на x=252pt = левое поле 72pt + `w:x=180pt`; до апгрейда текст шёл в общем потоке), symbol-шрифты и complex-поля PAGE/NUMPAGES (экспорт сам маппит PUA-маркеры и пересчитывает page-поля).
- Аудит .docx-путей по ECMA-376 (2026-11) — запинено синтетикой (без фикстур): сноски/концевые сноски с номерами (§17.11), внешние гиперссылки с `/URI`-аннотацией (§17.12.23), `PAGEREF` (complex и вложенный в результат `TOC`) и `DATE` подменяют кэш живым значением, `titlePg` → first/default колонтитуки (§17.13.1.35), `vMerge` restart/continue (§17.4.70), block-level `w:sdt` (§17.5.2), `wps:txbx`-текст (§17.3.3.23), OMML-формулы рисуются вектором jeuclid-fop (§22.1 — текст из PDF не извлекается, пинь пикселями), фон `w:highlight`/`w:shd` рисуется (§17.3.2.16/.29). Скрытый текст `w:vanish` не печатается (правило 9); текст руби-базы и `w:moveFrom`/`w:moveTo`/`w:bdo`/`w:dir` не теряется (правило 10 + AUDIT-FIX-2). Остаток (не чиним): `w:framePr` игнорируется — текст печатается в общем потоке, геометрия фрейма теряется (ни XSLT, ни `createBlockForPPr` не читают); `REF`/`SEQ`/литеральные записи `TOC` печатают устаревший кэш из docx (движка пересчёта нет; инстринции полей не печатаются); надстрочница руби не выводится (правило 10 печатает только базу — ruby-разметки в FOP нет); `w:ptab` без `@w:alignment`, `bar`, `list` теряются catch-all'ом; `w:bdo`/`w:dir` печатаются LTR (bidi вне контура).
- Аудит .docx-путей по ECMA-376 (2026-11) — запинено синтетикой (без фикстур): сноски/концевые сноски с номерами (§17.11), внешние гиперссылки с `/URI`-аннотацией (§17.12.23), `PAGEREF` (complex и вложенный в результат `TOC`) и `DATE` подменяют кэш живым значением, `titlePg` → first/default колонтитуки (§17.13.1.35), `vMerge` restart/continue (§17.4.70), block-level `w:sdt` (§17.5.2), `wps:txbx`-текст (§17.3.3.23), OMML-формулы рисуются вектором jeuclid-fop (§22.1 — текст из PDF не извлекается, пинь пикселями), фон `w:highlight`/`w:shd` рисуется (§17.3.2.16/.29). Скрытый текст `w:vanish` не печатается (правило 7); текст руби-базы и `w:moveFrom`/`w:moveTo`/`w:bdo`/`w:dir` не теряется (правило 8 + AUDIT-FIX-2). Остаток (не чиним): `REF`/`SEQ`/литеральные записи `TOC` печатают устаревший кэш из docx (движка пересчёта нет; инстринции полей не печатаются); надстрочница руби не выводится (правило 8 печатает только базу — ruby-разметки в FOP нет); `w:ptab` без `@w:alignment`, `bar`, `list` теряются catch-all'ом; `w:bdo`/`w:dir` печатаются LTR (bidi вне контура).
+3 -3
View File
@@ -6,7 +6,7 @@
|---|---|
| `wordpdf-core/src/main/java/ru/pjandro/wordpdf/` | Публичный API: `WordPdfConverter` (`convert(byte[],String,ConvertOptions)`), `WordPdfValidator` (`checkInput`/`validate` наружу; `checkPageCount`/`checkPageCountDoc`/`isBinaryDoc` — package-private, всё без зависимости от docx4j), `ConversionException`, `ValidationException` (наследник — «вход некорректен»), `DrawingFoundException` (`enum Kind {CHARTS, SMARTART, OLE}`), `ConvertOptions` (record; дефолтов в ядре нет). Пороги защиты — производные от лимитов входа: `WordPdfValidator.maxDecompressedBytes`/`maxDecompressedXmlBytes` (`max(MIN_*×MiB, maxMb×10/4MiB + maxPages×64/32KiB)`, крышек нет), `maxZipEntries` (`max(2048, maxMb×512 + maxPages×32)`), `maxImagePixels` (`maxMb×5_000_000`); коэффициенты и полы — package-private литералы `WordPdfConverter` (`DECOMPRESS_*`, `MIN_DECOMPRESSED_*`, `IMAGE_PIXELS_PER_MAX_MB`, `ZIP_ENTRIES_*`, javac их инлайнит — валидатор не инициализирует конвертер) |
| `…/wordpdf/fonts/` | `BundledFonts` (реестр/выгрузка TTF), `BundledFontMapper` (алиасы, self-map, `DISPLAY_NAMES`, `bundledFamily`), `GlyphFont` (глиф-движок fontbox) |
| `…/wordpdf/internal/` | 11 нормализаторов + `DocxRewritePipeline` (один zip-проход правил 1–10, 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 package-private; `public` — `DocxNormalizer`, `DocxRewritePipeline` (наружу только `STEP`, `normalize` package-private), `OleObjectNormalizer`, `FopFallbackFonts` (`declare`), `LayoutPostRenderer` (`register`), `DependencyGuard` (`check`), остальные нормализаторы полностью package-private; `OleObjectNormalizer` — многочастный, публичный `normalize(byte[], boolean)`, бросает `DrawingFoundException(OLE)` |
| `…/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 package-private; `public` — `DocxNormalizer`, `DocxRewritePipeline` (наружу только `STEP`, `normalize` package-private), `OleObjectNormalizer`, `FopFallbackFonts` (`declare`), `LayoutPostRenderer` (`register`), `DependencyGuard` (`check`), остальные нормализаторы полностью package-private; `OleObjectNormalizer` — многочастный, публичный `normalize(byte[], boolean)`, бросает `DrawingFoundException(OLE)` |
| `…/wordpdf/internal/doc/` | Мост `.doc` → `.docx`: 18 классов (детали — `docs/agent/doc-bridge.md`) — `CfbReader`, `FibHeader`, `PieceTable`, `Grpprl`, `ChpxIndex`, `PapxIndex`, `Styles`, `Tables`, `Lists`, `Sections`, `FontTable`, `SummaryInfo`, `Headers`, `OfficeArt`, `PrcData`, `DocFile`, `DocxWriter`, `DocToDocx` (публичные `convert`/`countPages`; вложенный `DocxBody` — рендер текста и табличного автомата в XML) |
| `…/wordpdf/internal/chart/` |18 классов Java2D-рендера диаграмм/SmartArt в PNG (public: `DrawingPreRenderer.run` и `ChartImageHandler` — второй инстанцируется из `WordPdfConverter`)|
| `wordpdf-core/src/main/resources/fonts/` | 30 TTF + 3 лицензии — бинарные фикстуры, часть jar |
@@ -34,7 +34,7 @@
- `wordpdf-app/src/main/resources/application.properties` — multipart 100MB (`max-file-size`/`max-request-size` + `file-size-threshold=2MB` — части крупнее 2 МБ на диск, не в память; в тон gateway `client_max_body_size 100m`), `wordpdf.convert-timeout=2m`, пустой `wordpdf.api-key`, `server.forward-headers-strategy=framework` (префикс прод-прокси для springdoc) + `springdoc.swagger-ui.persist-authorization=true`; `wordpdf.max-mb`/`max-pages` здесь намеренно нет.
- `wordpdf-app/pom.xml` — `spring-boot-maven-plugin` с **явной** execution `repackage` (в 4.1.1 сам не связывается, jar останется тонким); `slf4j-simple` исключён; `spring-boot-starter-webmvc` (Boot 4: переименован из starter-web) + `spring-boot-starter-actuator` (нужен HEALTHCHECK контейнера `/actuator/health`); тест-зависимости: `spring-boot-webmvc-test` (в Boot 4 автоконфиг MockMvc вынесен из starter-test), test-jar core.
- `wordpdf-core/pom.xml` — `maven-jar-plugin` execution `test-jar` (публикует фикстуры для app); JaCoCo execution `check` переопределён (LINE 0.90 + BRANCH 0.85).
- Корневой `pom.xml` — все версии зависимостей (в модулях версии не объявлять): docx4j `17.3.2`, commons-compress `1.28.0`, slf4j `2.0.20`, JUnit `6.1.3`, PDFBox/fontbox `3.0.8` (`fontbox` — compile в core: глиф-движок `GlyphFont`; `pdfbox` — test в обоих модулях; commons-logging исключён, мост — `jcl-over-slf4j`), POI `5.5.1` (test), Spring Boot `4.1.1` (BOM-import), springdoc `3.1.1`; pluginManagement: compiler `3.16.0`, surefire `3.6.0` с `-Djava.awt.headless=true`, jar `3.5.1`, PMD `3.28.0`, JaCoCo `0.8.15`; пустой дефолт `<argLine>` (для `-Djacoco.skip=true`).
- Корневой `pom.xml` — все версии зависимостей (в модулях версии не объявлять): docx4j `17.3.6`, commons-compress `1.28.0`, slf4j `2.0.20`, JUnit `6.1.3`, PDFBox/fontbox `3.0.8` (`fontbox` — compile в core: глиф-движок `GlyphFont`; `pdfbox` — test в обоих модулях; commons-logging исключён, мост — `jcl-over-slf4j`), POI `5.5.1` (test), Spring Boot `4.1.1` (BOM-import), springdoc `3.1.1`; pluginManagement: compiler `3.16.0`, surefire `3.6.0` с `-Djava.awt.headless=true`, jar `3.5.1`, PMD `3.28.0`, JaCoCo `0.8.15`; пустой дефолт `<argLine>` (для `-Djacoco.skip=true`).
- `pmd-ruleset.xml` — ruleset PMD (см. Code Conventions).
- `.ci/maven-settings.xml` — Maven-зеркало Nexus с URL из `${env.MAVEN_MIRROR_URL}` (общий файл CI-job'ов `java` и Containerfile; координаты стенда в репо не хранятся — Variable/build-arg).
- `wordpdf-core/src/main/resources/slf4j-simple.properties` — без него предупреждение лезет в PDF.
@@ -107,7 +107,7 @@ unzip -p ~/.m2/repository/org/docx4j/docx4j-export-fo/<версия>/docx4j-expo
PMD: `failurePriority` в плагине не задан — на практике `verify` валит нарушение любой приоритетности; перечень исключённых правил в AGENTS.md не дублируется — единственный источник `pmd-ruleset.xml`.
- Нормализаторы — единый контракт `internal/DocxNormalizer` + константа `STEP`; цепочка `WordPdfConverter.normalizers()` = `DocxRewritePipeline.STEP` (правила 1–10 одним zip-проходом) + лямбда `OleObjectNormalizer`; нечего менять → **тот же массив**; package-private хук `static String rewrite(String xml)` для юнит-тестов (возвращает `null` при отсутствии изменений; есть у 10 из 11 — у многочастного `OleObjectNormalizer` нет); у `StrictOoxmlNormalizer` есть также `rewritePart(entryName, xml)`, у `TableIndentNormalizer` — `rewritePart(name, xml, band)` (per-part-логика, хуки пайплайна); правятся только части `word/*.xml`.
- Нормализаторы — единый контракт `internal/DocxNormalizer` + константа `STEP`; цепочка `WordPdfConverter.normalizers()` = `DocxRewritePipeline.STEP` (правила 1–8 одним zip-проходом) + лямбда `OleObjectNormalizer`; нечего менять → **тот же массив**; package-private хук `static String rewrite(String xml)` для юнит-тестов (возвращает `null` при отсутствии изменений; есть у 8 из 9 — у многочастного `OleObjectNormalizer` нет); у `StrictOoxmlNormalizer` есть также `rewritePart(entryName, xml)`, у `TableIndentNormalizer` — `rewritePart(name, xml, band)` (per-part-логика, хуки пайплайна); правятся только части `word/*.xml`.
- Классы в `internal` — `public` (иначе родительский пакет не вызвал бы), но публичные члены наружу только `normalize`/`STEP`/`declare`/`DrawingPreRenderer.run`/`DependencyGuard.check` (`rewrite`, карты — package-private); в `wordpdf-app` всё package-private кроме `WordPdfApplication`.
+2 -2
View File
@@ -2,7 +2,7 @@
### Счётчики (2026-11)
- 59 тестовых классов / 898 тестов: core 53/849 (`internal/doc/` 17/225, `internal/chart/` 17/271, `WordPdfConverterTest` 77), app 6/49 (ConvertController 23, ApiKeyFilter 8, ConversionService 5, ApiExceptionHandler 5, ConvertLimits 5, ConversionTimeout 3). Обновлять при изменении набора.
- 57 тестовых классов / 885 тест: core 51/837 (`internal/doc/` 17/232, `internal/chart/` 17/277, `WordPdfConverterTest` 83), app 6/48 (ConvertController 26, ApiKeyFilter 8, ConversionService 5, ApiExceptionHandler 5, ConvertLimits 3, ConversionTimeout 1). Обновлять при изменении набора.
### Пиксели, метрики шрифтов, стенд без fontconfig
@@ -12,7 +12,7 @@
### Фикстуры
- 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 `<Pages>1</Pages>` + 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).
- Фикстуры — закоммиченные `samples/*.docx` + `samples/*.doc` (14 + 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 `<Pages>1</Pages>` + 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), `frame-pr` (`w:framePr hAnchor/vAnchor="page"` `x=3600` — текст фрейма на 180pt от края страницы, §17.4.31; регрессия `framePr_positionedLikeWord`).
### Юниты
+3 -3
View File
@@ -22,8 +22,8 @@
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<!-- docx4j: последняя стабильная версия на Maven Central -->
<docx4j.version>17.3.2</docx4j.version>
<!-- commons-compress: версию декларирует docx4j-core 17.3.2 (1.28.0);
<docx4j.version>17.3.6</docx4j.version>
<!-- commons-compress: версию декларирует docx4j-core 17.3.6 (1.28.0);
не завышать — версия привязана к docx4j, а не к свежести -->
<commons-compress.version>1.28.0</commons-compress.version>
<slf4j.version>2.0.20</slf4j.version>
@@ -78,7 +78,7 @@
<version>${docx4j.version}</version>
</dependency>
<!-- Прямая зависимость ядра (DependencyGuard) + нижний порог
docx4j 17.3.2 — 1.25.0; в Boot-BOM 4.1.1 не управляется -->
docx4j 17.3.6 — 1.28.0; в Boot-BOM 4.1.1 не управляется -->
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-compress</artifactId>
@@ -77,12 +77,18 @@ public final class WordPdfConverter {
// classpath'а за шрифтами — всё найденное выбрасывает
// BundledFonts.restrictToBundled() перед каждой конвертацией.
// Реестр обязан оставаться бандл + встроенные в docx. Свойства читает
// тот же static-блок BestMatchingMapper (docx4j-core 17.3.2); наша
// тот же static-блок BestMatchingMapper (docx4j-core 17.3.6); наша
// инициализация предшествует первому new BundledFontMapper().
// discoverJarFonts("fonts-symbol") свойством не гейтится — символ-
// шрифт регистрируется как раньше и снимается restrict'ом как раньше.
Docx4jProperties.setProperty("docx4j.fonts.discoverPhysicalFonts.enabled", "false");
Docx4jProperties.setProperty("docx4j.fonts.discoverJarFonts.enabled", "false");
// docx4j 17.3.6 (RepairMode, свойство docx4j.openpackaging.load.repair):
// пакеты, которые Word открывает только через «восстановить», по умолчанию
// (NONE) отказываются грузиться — для конвертера это регрессия 500 на
// «битых, но читаемых Word» файлах. Значение "word" возвращает толерантность
// уровня Word.
Docx4jProperties.setProperty("docx4j.openpackaging.load.repair", "word");
}
private WordPdfConverter() {
@@ -156,8 +162,8 @@ public final class WordPdfConverter {
* считаются ровно раз по сырому входу, до аллокаций docx4j: для .docx —
* lightweight-скан по zip, для .doc — по чистому бинарному документу до
* конвертации. Повторного скана по нормализованным байтам нет: правила
* 1–10 {@code DocxRewritePipeline} число учитываемых разрывов не
* увеличивают (правило 9 способно только убрать разрыв внутри скрытого
* 1–8 {@code DocxRewritePipeline} число учитываемых разрывов не
* увеличивают (правило 7 способно только убрать разрыв внутри скрытого
* рана — счёт по сырому входу остаётся верхней оценкой лимита), а скан
* внутри живой JAXB-модели удваивал бы пиковую память.
*
@@ -435,7 +441,7 @@ public final class WordPdfConverter {
}
/**
* Нормализация входных байтов (цепочка {@link #normalizers}: правила 1–10
* Нормализация входных байтов (цепочка {@link #normalizers}: правила 1–8
* одним zip-проходом {@code DocxRewritePipeline} + условная OLE-вычистка)
* и {@code WordprocessingMLPackage.load} полученного transitional-байта.
* Нормализация переиспользует слот {@code bytes}: каждая замена массива
@@ -453,7 +459,7 @@ public final class WordPdfConverter {
/**
* Конвейер байтовой нормализации docx. Порядок фиксирован: сначала один
* zip-проход переписывания XML-частей (внутри части порядок рерайтов
* Strict→OnOff→Symbol→Field→Invisible→GlyphCoverage→TableIndent→
* Strict→OnOff→Invisible→GlyphCoverage→TableIndent→
* NumberingSuffix→Hidden→Ruby значим: Strict первым — дальше transitional-байт;
* GlyphCoverage — по финальному тексту рана; Hidden — вырезает скрытые
* раны по финальному содержимому; Ruby — разворачивает руби-разметку,
@@ -463,10 +469,11 @@ public final class WordPdfConverter {
*/
private static List<DocxNormalizer> normalizers(ConvertOptions options) {
return List.of(
// один zip-проход: strict→transitional, on/off, Symbol-PUA,
// поля PAGE/NUMPAGES, невидимки, покрытие глифов, tblInd при
// jc≠left, suff=space, скрытый текст (vanish) — порядок
// рерайтов внутри части фиксирован (DocxRewritePipeline)
// один zip-проход: strict→transitional, on/off, невидимки,
// покрытие глифов, tblInd при jc≠left, suff=space, скрытый
// текст (vanish) — порядок рерайтов внутри части фиксирован
// (DocxRewritePipeline); символьные шрифты и complex-поля
// PAGE/NUMPAGES с docx4j 17.3.x обрабатывает сам экспорт
DocxRewritePipeline.STEP,
// OLE-объекты: при выключенном errorOnOle тихо удаляем
// (часть/rels/w:object), при включённом — DrawingFoundException
@@ -15,21 +15,28 @@ import org.apache.commons.compress.utils.SeekableInMemoryByteChannel;
/**
* Единый zip-проход переписывания XML-частей (.docx) вместо отдельных
* проходов нормализаторов: к каждой записи {@code word/*.xml} применяются
* все десять рерайтов в фиксированном порядке
* Strict→OnOff→Symbol→Field→Invisible→GlyphCoverage→TableIndent→NumberingSuffix→Hidden→Ruby.
* все восемь рерайтов в фиксированном порядке
* Strict→OnOff→Invisible→GlyphCoverage→TableIndent→NumberingSuffix→Hidden→Ruby.
* Порядок значим: Strict первым — дальше части в transitional-виде
* (TableIndent читает transitional-атрибуты {@code w:}); GlyphCoverage
* режет раны по финальному тексту рана (после Symbol/Invisible); Hidden
* последним — вырезает уже финальные раны (после Symbol/GLYPH-разбиений),
* режет раны по финальному тексту рана (после Invisible); Hidden
* последним — вырезает уже финальные раны (после GLYPH-разбиений),
* а его OnOff-форма vanish читается после правила 2. Каждый
* рерайт работает только содержимым одной части, поэтому по-частная
* цепочка эквивалентна последовательным полным проходам. Исключения из
* «по-частности» — контексты, читаемые один раз до цикла: правило 7
* «по-частности» — контексты, читаемые один раз до цикла: правило 5
* (TableIndent) — у header/footer-частей своей sectPr нет, ширина полосы
* передаётся из document.xml (многосекционный документ — полоса
* неоднозначна, header/footer пропускаются); правило 9 (Hidden) —
* неоднозначна, header/footer пропускаются); правило 7 (Hidden) —
* стилевые vanish читаются из word/styles.xml (цепочка w:basedOn).
*
* <p>Правил Symbol (символьные шрифты → Unicode) и Field (PAGE/NUMPAGES →
* fldSimple) здесь больше нет: с docx4j 17.3.3/#701 символьные маркеры
* маппит сам экспорт, а с 17.3.5 (CR-067) {@code FieldsCombiner} сворачивает
* complex-поля в {@code w:fldSimple} и внутри {@code w:sdt}. Пины отсутствия
* регрессии — WordPdfConverterTest#symbolFonts_bulletsAreNotHash,
* #pageNumbers_recomputedNotCached.
*
* <p>Неизменённые записи (медиа, rels, прочее) переносятся raw-копией
* сжатых байтов — без inflate/deflate; прочие (редкие методы сжатия,
* шифрованные) — обычный перенос. Ни одна часть не изменилась →
@@ -52,7 +59,7 @@ public final class DocxRewritePipeline {
public static final DocxNormalizer STEP = DocxRewritePipeline::normalize;
/**
* Применяет десять рерайтов к каждой записи {@code word/*.xml} за один
* Применяет восемь рерайтов к каждой записи {@code word/*.xml} за один
* проход zip.
*
* @param docx байты .docx (валидный zip)
@@ -63,7 +70,7 @@ public final class DocxRewritePipeline {
boolean changed = false;
try (ZipFile zf = new ZipFile(new SeekableInMemoryByteChannel(docx));
ZipArchiveOutputStream zos = new ZipArchiveOutputStream(out)) {
// Ширина полосы набора для правила 7 (таблицы в header/footer-
// Ширина полосы набора для правила 5 (таблицы в header/footer-
// частях своей sectPr не содержат): из сырого document.xml —
// геометрия инвариантна к рерайтам цепочки (Strict не трогает
// w:pgSz/@w:w, а pgMar-чередование left|start покрывает strict).
@@ -76,7 +83,7 @@ public final class DocxRewritePipeline {
new String(zf.getInputStream(docEntry).readAllBytes(),
StandardCharsets.UTF_8));
}
// Стилевые vanish для правила 9 (скрытый текст): часть стилевой
// Стилевые vanish для правила 7 (скрытый текст): часть стилевой
// цепочки w:basedOn вычисляется один раз до цикла. Записи нет →
// пустое множество, рерайт работает по прямому vanish.
Set<String> hiddenStyles = Set.of();
@@ -101,14 +108,6 @@ public final class DocxRewritePipeline {
if (next != null) {
cur = next;
}
next = SymbolFontNormalizer.rewrite(cur);
if (next != null) {
cur = next;
}
next = FieldNormalizer.rewrite(cur);
if (next != null) {
cur = next;
}
next = InvisibleCharNormalizer.rewrite(cur);
if (next != null) {
cur = next;
@@ -1,226 +0,0 @@
package ru.pjandro.wordpdf.internal;
import java.io.ByteArrayInputStream;
import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.nio.charset.StandardCharsets;
import java.util.Locale;
import java.util.zip.ZipEntry;
import java.util.zip.ZipInputStream;
import java.util.zip.ZipOutputStream;
/**
* Разворачивание «сложных» полей PAGE/NUMPAGES в {@code w:fldSimple} —
* до загрузки docx4j.
*
* Word записывает поле как последовательность ранов:
* {@code fldChar begin} → {@code instrText "PAGE"} → {@code fldChar separate}
* → закэшированный результат → {@code fldChar end}. Экспорт docx4j в XSL-FO
* игнорирует {@code w:instrText} внутри такого поля и печатает кэш из docx,
* поэтому в колонтитулах всех страниц стоит одно и то же число
* (в эталонном экспорте Word — «2» вместо 1, 2, 3 …).
*
* Собственно поле docx4j умеет: {@code w:fldSimple} обрабатывает
* {@code FldSimpleWriter} из docx4j-export-fo, у которого есть обработчики
* {@code PAGE} (→ {@code fo:page-number}), {@code NUMPAGES} и
* {@code SECTIONPAGES}. Поэтому переписываем поле в {@code w:fldSimple},
* сохраняя внутри закэшированные ран — они дают оформление (шрифт, размер).
*
* Штатный {@code FieldsCombiner} docx4j делает то же самое, но не заходит
* внутрь {@code w:sdt}: нумерация страниц Word почти всегда лежит в
* контентном контроле («Page Numbers (Top of Page)»), и до поля не добирается.
* Отсюда и нормализация байтов, как в {@link DocxOnOffNormalizer}.
*
* Трогаются только поля, которые действительно есть кому рисовать
* ({@link #SUPPORTED}); остальные остаются как были. Вложенные поля не
* разбираются — если внутри {@code begin … end} встречается ещё один
* {@code begin}, поле пропускается.
*/
final class FieldNormalizer {
/** Инструкции, для которых в docx4j-export-fo есть обработчик fldSimple. */
private static final String[] SUPPORTED = {"PAGE", "NUMPAGES", "SECTIONPAGES"};
private FieldNormalizer() {
}
/** Шаг конвейера WordPdfConverter#normalizers: этот нормализатор как DocxNormalizer. */
static final DocxNormalizer STEP = FieldNormalizer::normalize;
/**
* Переписывает поддерживаемые поля во всех word/*.xml частях docx.
*
* @param docx байты .docx (zip)
* @return те же или переупакованные байты
*/
static byte[] normalize(byte[] docx) throws IOException {
ByteArrayOutputStream out = new ByteArrayOutputStream(docx.length);
boolean changed = false;
try (ZipInputStream zis = new ZipInputStream(new ByteArrayInputStream(docx));
ZipOutputStream zos = new ZipOutputStream(out)) {
ZipEntry entry;
while ((entry = zis.getNextEntry()) != null) {
byte[] data = zis.readAllBytes();
String name = entry.getName();
if (name.startsWith("word/") && name.endsWith(".xml")) {
String fixed = rewrite(new String(data, StandardCharsets.UTF_8));
if (fixed != null) {
changed = true;
data = fixed.getBytes(StandardCharsets.UTF_8);
}
}
zos.putNextEntry(new ZipEntry(name));
zos.write(data);
zos.closeEntry();
}
}
return changed ? out.toByteArray() : docx;
}
/**
* @return новая строка либо null, если менять нечего
*/
static String rewrite(String xml) {
if (xml.indexOf("fldCharType=\"begin\"") < 0) {
return null;
}
StringBuilder sb = new StringBuilder(xml.length());
int pos = 0;
boolean changed = false;
while (true) {
int begin = xml.indexOf("fldCharType=\"begin\"", pos);
if (begin < 0) {
break;
}
int runStart = runStart(xml, begin);
int runEnd = xml.indexOf(RUN_CLOSE, begin);
if (runStart < 0 || runEnd < 0) {
break;
}
runEnd += RUN_CLOSE.length();
int end = xml.indexOf("fldCharType=\"end\"", runEnd);
int endRunEnd = end < 0 ? -1 : endRunEnd(xml, end);
int nested = xml.indexOf("fldCharType=\"begin\"", runEnd);
// поле без конца, битое или с вложенным полем — пропускаем целиком
int skipTo = endRunEnd >= 0 ? endRunEnd : runEnd;
if (endRunEnd < 0 || (nested >= 0 && nested < end)) {
sb.append(xml, pos, skipTo);
pos = skipTo;
continue;
}
String instr = instruction(xml.substring(runStart, endRunEnd));
if (instr.isBlank() || !isSupported(instr)) {
sb.append(xml, pos, endRunEnd);
pos = endRunEnd;
continue;
}
sb.append(xml, pos, runStart)
.append(toFldSimple(instr, cached(xml, runEnd, end)));
pos = endRunEnd;
changed = true;
}
if (!changed) {
return null;
}
return sb.append(xml, pos, xml.length()).toString();
}
private static final String RUN_CLOSE = "</w:r>";
/**
* Результат поля: ран-маркер {@code separate} и всё, что идёт после него
* до рана с {@code end}. Если {@code separate} нет, кэша нет — поле
* отрисует обработчик.
*/
private static String cached(String xml, int from, int endMarker) {
int sep = xml.indexOf("fldCharType=\"separate\"", from);
int sepRunEnd = xml.indexOf(RUN_CLOSE, sep);
if (sep < 0 || sep > endMarker || sepRunEnd < 0) {
return "";
}
sepRunEnd += RUN_CLOSE.length();
int endRunStart = runStart(xml, endMarker);
if (endRunStart < 0 || endRunStart < sepRunEnd) {
return "";
}
return xml.substring(sepRunEnd, endRunStart);
}
/** Склеивает все {@code w:instrText} блока — Word дробит инструкцию на части. */
private static String instruction(String block) {
StringBuilder instr = new StringBuilder(64);
int pos = 0;
while (true) {
int open = block.indexOf("<w:instrText", pos);
if (open < 0) {
break;
}
int gt = block.indexOf('>', open);
int close = block.indexOf("</w:instrText>", gt);
if (gt < 0 || close < 0) {
break;
}
instr.append(unescape(block.substring(gt + 1, close)));
pos = close + "</w:instrText>".length();
}
// не trim(): пробелы вокруг инструкции — часть записи Word
return instr.toString();
}
private static boolean isSupported(String instr) {
String name = instr.trim().split("[\\\\\\s]", 2)[0].toUpperCase(Locale.ROOT);
for (String s : SUPPORTED) {
if (s.equals(name)) {
return true;
}
}
return false;
}
private static String toFldSimple(String instr, String cached) {
return "<w:fldSimple w:instr=\"" + escapeAttr(instr) + "\">"
+ cached + "</w:fldSimple>";
}
/** Начало рана, содержащего позицию {@code idx} (раны не вложены). */
private static int runStart(String xml, int idx) {
for (int i = xml.lastIndexOf("<w:r", idx); i >= 0; i = xml.lastIndexOf("<w:r", i - 1)) {
if (i + 4 >= xml.length()) {
continue;
}
char next = xml.charAt(i + 4);
if (next != '>' && next != ' ') {
continue;
}
// между найденным открытием и idx не должно быть конца рана
if (xml.indexOf(RUN_CLOSE, i) > idx) {
return i;
}
}
return -1;
}
/** Позиция сразу за {@code </w:r>} рана, содержащего {@code idx}. */
private static int endRunEnd(String xml, int idx) {
int end = xml.indexOf(RUN_CLOSE, idx);
return end < 0 ? -1 : end + RUN_CLOSE.length();
}
private static String escapeAttr(String value) {
return value.replace("&", "&amp;")
.replace("<", "&lt;")
.replace(">", "&gt;")
.replace("\"", "&quot;");
}
private static String unescape(String value) {
String v = value;
if (v.indexOf('&') < 0) {
return v;
}
v = v.replace("&lt;", "<").replace("&gt;", ">").replace("&quot;", "\"");
return v.replace("&amp;", "&");
}
}
@@ -52,7 +52,8 @@ import java.util.concurrent.ConcurrentHashMap;
* честнее оставить, чем подменять случайным шрифтом.</li>
* </ul>
*
* Как и {@link SymbolFontNormalizer}, правим байты zip до JAXB-разбора.
* Как и прочие рерайты {@link DocxRewritePipeline}, правим байты zip до
* JAXB-разбора.
*/
final class GlyphCoverageNormalizer {
@@ -128,8 +129,7 @@ final class GlyphCoverageNormalizer {
* Проходит блоки {@code <w:r>} ... {@code </w:r>} и заменяет каждый через
* {@link #rewriteBlock}. Вложенные раны текстбоксов (w:r → w:drawing →
* txbxContent → w:r) переписываются рекурсивно по телу внешнего блока —
* каркас внешнего рана остаётся нетронутым. Приём общий с
* {@link SymbolFontNormalizer}.
* каркас внешнего рана остаётся нетронутым.
*/
private static String rewriteBlocks(String xml, String tag) {
String open = "<" + tag;
@@ -1,491 +0,0 @@
package ru.pjandro.wordpdf.internal;
import java.io.ByteArrayInputStream;
import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.nio.charset.StandardCharsets;
import java.util.HashMap;
import java.util.Locale;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import java.util.zip.ZipEntry;
import java.util.zip.ZipInputStream;
import java.util.zip.ZipOutputStream;
/**
* Замена символьных шрифтов (Symbol/Wingdings/Webdings) на Unicode +
* бандл-шрифт — до загрузки docx4j.
*
* Word хранит маркеры списков и спецсимволы кодами из private use area
* (U+F0xx), а какой именно глиф покажет документ, задаёт шрифт:
* {@code <w:lvlText w:val="&#xF0A7;"/>} + {@code w:rFonts w:ascii="Wingdings"}
* — это «▪», а тот же код в Symbol — «♣». Экспорт docx4j в XSL-FO эти
* шрифты не знает: код уходит в fallback-семейство, глифа там нет, и FOP
* рисует {@code .notdef} — в PDF решётку «#» (регрессия:
* {@code WordPdfConverterTest#symbolFonts_bulletsAreNotHash}).
*
* Делаем то же, что Word: код из PUA заменяем его Unicode-эквивалентом,
* а имя шрифта — на fallback-семейство (в нём этих глифов достаточно).
* Таблица кодов — из {@code org.docx4j.convert.out.common.writer.SymbolMapper}
* (docx4j 17.x), отфильтрована по наличию глифа в DejaVu Sans; она же
* сверяется с эталоном Word (develop/, вне git).
*
* Обрабатываются оба места, где встречается символный шрифт:
* <ul>
* <li>{@code w:lvl} (numbering.xml): {@code w:lvlText/@w:val} +
* {@code w:lvl/w:rPr/w:rFonts} — маркеры списков;</li>
* <li>{@code w:r}: текст в {@code w:t} и элементы {@code w:sym}
* ({@code w:sym} имеет собственный {@code w:font}, поэтому ран с ним
* разрезается на части — иначе соседнему тексту поменялся бы шрифт).</li>
* </ul>
*
* Как и {@link DocxOnOffNormalizer}, правим байты zip до JAXB-разбора.
*/
final class SymbolFontNormalizer {
/** Семейство, на которое заменяются символьные шрифты (есть в jar). */
static final String REPLACEMENT_FAMILY = "DejaVu Sans";
/**
* Имя шрифта (lowercase) -> таблица из 256 слотов по 4 hex-цифры:
* младший байт кода из PUA -> Unicode-код цели (0 — соответствия нет).
* Источник — SymbolMapper из docx4j 17.x; сгенерировано, см. javadoc
* класса. Коды вне U+F000–U+F0FF (обычная ASCII-часть символьного
* шрифта) не переписываются.
*/
private static final Map<String, String> SYMBOL_MAPS = buildMaps();
/** w:rFonts с именем символьного шрифта в любом из атрибутов. */
private static final Pattern SYMBOL_FONT_ATTR = Pattern.compile(
"w:(?:ascii|hAnsi|cs|eastAsia)=\"([^\"]+)\"");
/** w:sym w:font="Symbol" w:char="F02D" */
private static final Pattern SYM_ELEMENT = Pattern.compile(
"<w:sym\\b[^>]*?/>");
private static final Pattern SYM_FONT = Pattern.compile("w:font=\"([^\"]+)\"");
private static final Pattern SYM_CHAR = Pattern.compile("w:char=\"([0-9A-Fa-f]{4})\"");
private SymbolFontNormalizer() {
}
/** Шаг конвейера WordPdfConverter#normalizers: этот нормализатор как DocxNormalizer. */
static final DocxNormalizer STEP = SymbolFontNormalizer::normalize;
/**
* Заменяет символьные шрифты в XML-частях docx (word/*.xml).
*
* @param docx байты .docx (zip)
* @return те же или переупакованные байты
*/
static byte[] normalize(byte[] docx) throws IOException {
ByteArrayOutputStream out = new ByteArrayOutputStream(docx.length);
boolean changed = false;
try (ZipInputStream zis = new ZipInputStream(new ByteArrayInputStream(docx));
ZipOutputStream zos = new ZipOutputStream(out)) {
ZipEntry entry;
while ((entry = zis.getNextEntry()) != null) {
byte[] data = zis.readAllBytes();
String name = entry.getName();
if (name.startsWith("word/") && name.endsWith(".xml")) {
String fixed = rewrite(new String(data, StandardCharsets.UTF_8));
if (fixed != null) {
changed = true;
data = fixed.getBytes(StandardCharsets.UTF_8);
}
}
zos.putNextEntry(new ZipEntry(name));
zos.write(data);
zos.closeEntry();
}
}
return changed ? out.toByteArray() : docx;
}
/**
* Переписывает {@code w:lvl} и {@code w:r} с символьными шрифтами.
*
* @return новая строка либо null, если менять нечего
*/
static String rewrite(String xml) {
// Быстрый путь: ни кода из PUA (U+F000–U+F0FF), ни w:sym.
if (!hasPua(xml) && xml.indexOf("<w:sym") < 0) {
return null;
}
String result = rewriteBlocks(xml, "w:lvl");
result = rewriteBlocks(result, "w:r");
return result.equals(xml) ? null : result;
}
/**
* Проходит блоки {@code <tag ...>} ... {@code </tag>} и заменяет каждый через
* {@link #rewriteBlock}. Вложенные раны текстбоксов (w:r → w:drawing →
* txbxContent → w:r) переписываются рекурсивно по телу внешнего блока —
* каркас внешнего рана остаётся нетронутым (тот же приём, что в
* {@link GlyphCoverageNormalizer}).
*/
private static String rewriteBlocks(String xml, String tag) {
String open = "<" + tag;
String close = "</" + tag + ">";
StringBuilder sb = new StringBuilder(xml.length());
int pos = 0;
while (true) {
int start = indexOfOpenTag(xml, open, pos);
if (start < 0) {
break;
}
int openEnd = xml.indexOf('>', start);
int end = xml.indexOf(close, openEnd);
if (openEnd < 0 || end < 0) {
break;
}
int matching = matchingClose(xml, open, close, openEnd);
if (matching > end) {
// Внешний ран с вложенным: тело — рекурсивно, каркас внешнего не трогаем.
sb.append(xml, pos, start).append(xml, start, openEnd + 1)
.append(rewriteBlocks(xml.substring(openEnd + 1, matching), tag))
.append(close);
pos = matching + close.length();
continue;
}
end += close.length();
String block = xml.substring(start, end);
sb.append(xml, pos, start).append(rewriteBlock(block));
pos = end;
}
if (pos == 0) {
return xml;
}
return sb.append(xml, pos, xml.length()).toString();
}
/** Есть ли в строке символ из U+F000–U+F0FF. */
private static boolean hasPua(String xml) {
for (int i = 0; i < xml.length(); i++) {
char c = xml.charAt(i);
if (c >= 0xF000 && c <= 0xF0FF) {
return true;
}
}
return false;
}
/** Позиция открывающего (не самозакрывающегося) тега {@code open}. */
private static int indexOfOpenTag(String xml, String open, int from) {
int i = xml.indexOf(open, from);
while (i >= 0) {
char next = i + open.length() < xml.length() ? xml.charAt(i + open.length()) : 0;
if (next == '>' || next == ' ' || next == '\t' || next == '\n' || next == '\r') {
int openEnd = xml.indexOf('>', i);
if (openEnd < 0) {
return -1;
}
// самозакрывающийся <w:r ... /> — блока нет
return xml.charAt(openEnd - 1) == '/' ? indexOfOpenTag(xml, open, openEnd) : i;
}
i = xml.indexOf(open, i + open.length());
}
return -1;
}
/** Позиция закрывающего тега, балансирующего открывающий тег на openEnd; -1 — не сбалансирован. */
private static int matchingClose(String xml, String open, String close, int openEnd) {
int depth = 1;
int i = openEnd;
while (i < xml.length()) {
int nextOpen = indexOfOpenTag(xml, open, i);
int nextClose = xml.indexOf(close, i);
if (nextClose < 0) {
return -1;
}
if (nextOpen >= 0 && nextOpen < nextClose) {
depth++;
i = nextOpen + open.length();
} else {
depth--;
if (depth == 0) {
return nextClose;
}
i = nextClose + close.length();
}
}
return -1;
}
/** Переписывает один блок {@code w:lvl} или {@code w:r}. */
private static String rewriteBlock(String block) {
String symbolFont = symbolFontOf(block);
String map = symbolFont == null ? null : SYMBOL_MAPS.get(symbolFont.toLowerCase(Locale.ROOT));
boolean hasSym = block.indexOf("<w:sym") >= 0;
if (map == null && !hasSym) {
return block;
}
// w:sym имеет собственный w:font, поэтому обрабатывается и в ране
// с обычным шрифтом (например, Times New Roman + Symbol).
String result = hasSym ? replaceSymElements(block, map) : block;
if (map == null) {
return result;
}
result = mapPua(result, map);
return replaceFontNames(result);
}
/** Имя символьного шрифта, объявленного в {@code w:rFonts} блока. */
private static String symbolFontOf(String block) {
int rFonts = block.indexOf("<w:rFonts");
if (rFonts < 0) {
return null;
}
int end = block.indexOf('>', rFonts);
if (end < 0) {
return null;
}
Matcher m = SYMBOL_FONT_ATTR.matcher(block.substring(rFonts, end));
while (m.find()) {
String name = m.group(1).toLowerCase(Locale.ROOT);
if (SYMBOL_MAPS.containsKey(name)) {
return m.group(1);
}
}
return null;
}
/**
* Заменяет коды из U+F000–U+F0FF на Unicode по таблице {@code map}.
* Касается {@code w:t}, {@code w:lvlText/@w:val} и текста самого блока.
*/
private static String mapPua(String block, String map) {
StringBuilder sb = new StringBuilder(block.length());
for (int i = 0; i < block.length(); i++) {
char c = block.charAt(i);
if (c >= 0xF000 && c <= 0xF0FF) {
char mapped = mapped(map, c & 0xFF);
sb.append(mapped != 0 ? mapped : c);
} else {
sb.append(c);
}
}
return sb.toString();
}
/**
* Разрезает ран по элементам {@code w:sym}: каждый заменяется раном с
* {@code w:t} (Unicode-глиф) и fallback-шрифтом, соседний текст
* остаётся со своим {@code w:rPr}.
*/
private static String replaceSymElements(String block, String map) {
if (!block.endsWith("</w:r>")) {
return block;
}
int tagEnd = block.indexOf('>');
String openTag = block.substring(0, tagEnd + 1);
String body = block.substring(tagEnd + 1, block.length() - "</w:r>".length());
String rPr = "";
if (body.startsWith("<w:rPr>")) {
int rPrEnd = body.indexOf("</w:rPr>");
if (rPrEnd < 0) {
return block;
}
rPr = body.substring(0, rPrEnd + "</w:rPr>".length());
body = body.substring(rPrEnd + "</w:rPr>".length());
}
String fallbackRPr = rPr.isEmpty()
? "<w:rPr><w:rFonts w:ascii=\"" + REPLACEMENT_FAMILY
+ "\" w:hAnsi=\"" + REPLACEMENT_FAMILY + "\"/></w:rPr>"
: forceFont(rPr, REPLACEMENT_FAMILY);
StringBuilder sb = new StringBuilder(block.length());
int pos = 0;
Matcher m = SYM_ELEMENT.matcher(body);
while (m.find()) {
String text = body.substring(pos, m.start());
if (!text.isEmpty()) {
sb.append(openTag).append(rPr).append(text).append("</w:r>");
}
String charHex = firstGroup(SYM_CHAR, m.group());
String font = firstGroup(SYM_FONT, m.group());
String fontMap = font == null ? map
: SYMBOL_MAPS.getOrDefault(font.toLowerCase(Locale.ROOT), map);
char mapped = 0;
if (charHex != null && fontMap != null) {
char code = (char) Integer.parseInt(charHex, 16);
if (code >= 0xF000 && code <= 0xF0FF) {
mapped = mapped(fontMap, code & 0xFF);
}
}
if (mapped != 0) {
sb.append(openTag).append(fallbackRPr)
.append("<w:t xml:space=\"preserve\">").append(mapped)
.append("</w:t></w:r>");
}
pos = m.end();
}
if (pos == 0) {
return block;
}
String tail = body.substring(pos);
if (!tail.isEmpty()) {
sb.append(openTag).append(rPr).append(tail).append("</w:r>");
}
return sb.toString();
}
/**
* Принудительно ставит семейство в {@code w:rPr}: заменяет значения
* атрибутов {@code w:rFonts}, а если {@code w:rFonts} нет — вставляет
* его первым ребёнком (так делает Word).
*/
private static String forceFont(String rPr, String family) {
if (rPr.indexOf("<w:rFonts") < 0) {
return rPr.replaceFirst("<w:rPr>", "<w:rPr><w:rFonts w:ascii=\"" + family
+ "\" w:hAnsi=\"" + family + "\" w:cs=\"" + family + "\"/>");
}
Matcher m = SYMBOL_FONT_ATTR.matcher(rPr);
StringBuilder sb = new StringBuilder(rPr.length());
while (m.find()) {
m.appendReplacement(sb, Matcher.quoteReplacement(
m.group().replace(m.group(1), family)));
}
m.appendTail(sb);
return sb.toString();
}
/** Имена символьных шрифтов в {@code w:rFonts} -> fallback-семейство. */
private static String replaceFontNames(String block) {
Matcher m = SYMBOL_FONT_ATTR.matcher(block);
if (!m.find()) {
return block;
}
m.reset();
StringBuilder sb = new StringBuilder(block.length());
while (m.find()) {
String replacement = SYMBOL_MAPS.containsKey(m.group(1).toLowerCase(Locale.ROOT))
? m.group().replace(m.group(1), REPLACEMENT_FAMILY)
: m.group();
m.appendReplacement(sb, Matcher.quoteReplacement(replacement));
}
m.appendTail(sb);
return sb.toString();
}
private static String firstGroup(Pattern p, String input) {
Matcher m = p.matcher(input);
return m.find() ? m.group(1) : null;
}
/** Unicode-код цели для младшего байта кода PUA; 0 — соответствия нет. */
private static char mapped(String map, int slot) {
int hi = Character.digit(map.charAt(slot * 4), 16) << 12
| Character.digit(map.charAt(slot * 4 + 1), 16) << 8
| Character.digit(map.charAt(slot * 4 + 2), 16) << 4
| Character.digit(map.charAt(slot * 4 + 3), 16);
return (char) hi;
}
private static Map<String, String> buildMaps() {
Map<String, String> m = new HashMap<>();
m.put("symbol", MAP_SYMBOL);
m.put("wingdings", MAP_WINGDINGS);
m.put("wingdings 2", MAP_WINGDINGS_2);
m.put("wingdings 3", MAP_WINGDINGS_3);
m.put("webdings", MAP_WEBDINGS);
return Map.copyOf(m);
}
// Symbol: 256 слотов по 4 hex-цифры, индекс = младший байт кода U+F0??
private static final String MAP_SYMBOL =
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000002122000023220300250026220D002800292217002B002C2212002E002F" +
"0030003100320033003400350036003700380039003A003B003C003D003E003F" +
"22450391039203A70394039503A603930397039903D1039A039B039C039D039F" +
"03A0039803A103A303A403A503C203A9039E03A80396005B2234005D22A5005F" +
"000003B103B203C703B403B503C603B303B703B903D503BA03BB03BC03BD03BF" +
"03C003B803C103C303C403C503D603C903BE03C803B6007B007C007D223C0000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"000003D2203222642044221E0192266326662665266021942190219121922193" +
"00B000B12033226500D7221D2202202200F7226022612248202623D023AF21B5" +
"21352111211C21182297229522052229222A2283228722842282228622082209" +
"2220220700AE00A92122220F221A22C500AC2227222821D421D021D121D221D3" +
"25CA232900AE00A921222211239B239C239D23A123A223A323A723A823A923AA" +
"20AC232A222B232023AE2321239E239F23A023A423A523A623AB23AC23AD0000";
// Wingdings: 256 слотов по 4 hex-цифры, индекс = младший байт кода U+F0??
private static final String MAP_WINGDINGS =
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000027022701000000000000000000002706000000000000000000000000" +
"000000000000000000000000231B00000000000000000000000000002707270D" +
"0000270C000000000000261C261E261D261F0000263A00002639000026200000" +
"00002708263C000027440000271E000027202721262A262F0950263826482649" +
"264A264B264C264D264E264F26502651265226530000000025CF000025A025A1" +
"0000275127522B2729EB25C627562B2523272BB9231800000000000000000000" +
"24EA246024612462246324642465246624672468246924FF2776277727782779" +
"277A277B277C277D277E277F0000000000000000000000000000000000B72022" +
"25AA26AA0000000025C925CE000025AA25FB0000272626052736273427392735" +
"2BD0231627E123112BD1272A2730000000000000000000000000000000000000" +
"0000000000002BB02BB12BB22BB32BB42BB52BB62BB700000000000000000000" +
"00000000000000000000232B23262B9827A22B992B9B2B882B8A2B892B8B0000" +
"00000000000000000000000000000000000000000000000000000000000021E6" +
"21E821E721E92B0421F32B002B012B032B02000000000000271300000000229E";
// Wingdings 2: 256 слотов по 4 hex-цифры, индекс = младший байт кода U+F0??
private static final String MAP_WINGDINGS_2 =
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000027042700000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"271300002611261226122BBE2BBF29B829B80000000000000000203D00000000" +
"00000000000000000000000000000000000024EA246024612462246324642465" +
"246624672468246924FF2776277727782779277A277B277C277D277E277F0000" +
"26090000263D263E2E3F271D0000000000000000000000000000000000000000" +
"00000000000000000000202225CF26AB2B240000000000000000000029BF25FE" +
"25A025FC2B1B2B1C000000000000000025A30000000000002B292B2525C625C7" +
"000025C80000000000002B2A2B2729EB25CA000025D625D72BCA2BCB25FC2B25" +
"2B1F2BC22B232B222BC32BC40000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000027260000260527360000273700000000" +
"273900000000272F000000002BCC2BCD203B2042000000000000000000000000";
// Wingdings 3: 256 слотов по 4 hex-цифры, индекс = младший байт кода U+F0??
private static final String MAP_WINGDINGS_3 =
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"00002B602B622B612B632B662B672B692B682B702B722B712B732B762B782B7B" +
"2B7D2B642B652B6A2B6C2B6B2B6D2B4D2BA02BA12BA22BA32BA42BA52BA62BA7" +
"2B902B912B922B932B802B832B7E2B7F2B842B862B852B872B8F2B8D2B8E2B8C" +
"2B6E2B6F238B23242303232523B5237D21EA2BB8000000000000000000000000" +
"0000000000000000000000002190219221912193219621972199219800000000" +
"25B225BC25B325BD25C425BA25C125B725E325E225E425E50000000000000000" +
"000025B225BC25C025B62B9C2B9E2B9D2B9F0000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000002BA82BA92BAA2BAB2BAC2BAD2BAE" +
"2BAF000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000";
// Webdings: 256 слотов по 4 hex-цифры, индекс = младший байт кода U+F0??
private static final String MAP_WEBDINGS =
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"00000000000023F423F523F623F723EA23E923EE23ED23F823F923FA00000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"2B942714000025A100000000000025A000000000000000000000000026AB0000" +
"000000000000275300000000000026F30000229600000000007C000000000000" +
"000000000000000000000000000026F700000000000000000000000000000000" +
"00000000000000000000000000000000272F0000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000" +
"0000000000000000000000000000000000002601000000000000000000000000" +
"0000000000000000000000000000000024C5267F000000000000000000000000" +
"0000000000000000000000000000000000000000000000000000000000000000";
}
@@ -401,7 +401,10 @@
<xsl:apply-templates/>
</xsl:variable>
<xsl:variable name="pPrNode" select="../w:pPr" />
<!-- the run's own paragraph, also for a run in a w:hyperlink, w:smartTag, w:ins or an
inline sdt (until 17.3.3 ../w:pPr, which found none there, so such a run was
resolved without its paragraph style) -->
<xsl:variable name="pPrNode" select="ancestor::w:p[1]/w:pPr" />
<xsl:variable name="rPrNode" select="w:rPr" />
<!-- AUDIT-FIX position: docx4j createBlockForRPr игнорирует
@@ -523,9 +526,11 @@
<xsl:when test="starts-with(./w:sdtPr/w:tag/@w:val, 'XSLT_Cols')">
<!-- a part of a merged page-sequence with fewer columns than the sequence
(ConversionSectionWrapperFactory): a block spanning them all -->
<fo:block span="all">
<xsl:variable name="childResults">
<xsl:apply-templates select="w:sdtContent/*"/>
</fo:block>
</xsl:variable>
<xsl:copy-of select="java:org.docx4j.convert.out.fo.XsltFOFunctions.spanAllBlock(
string(./w:sdtPr/w:tag/@w:val), $childResults)"/>
</xsl:when>
<xsl:when test="starts-with(./w:sdtPr/w:tag/@w:val, 'XSLT_Ind')">
<!-- a part of a merged page-sequence with other page margins
@@ -626,6 +631,12 @@
<xsl:copy-of select="java:org.docx4j.convert.out.fo.XsltFOFunctions.createShapeTextBox(
$conversionContext, $wpinline, $childResults)" />
</xsl:when>
<xsl:when test="./a:graphic/a:graphicData[@uri='http://schemas.openxmlformats.org/drawingml/2006/chart' or @uri='http://schemas.microsoft.com/office/drawing/2014/chartex']">
<!-- a chart: its box, a space of the drawing's extent, holding the chart drawn
where docx4j-chart-render draws it (17.3.3, CR-035, CR-037) -->
<xsl:copy-of select="java:org.docx4j.model.chart.ChartBox.createXslFo(
$conversionContext, $wpinline)" />
</xsl:when>
<xsl:otherwise>
<xsl:copy-of
@@ -833,6 +844,14 @@
</xsl:if>
<xsl:choose>
<xsl:when test="ancestor::w:footnote and not(@w:type='page') and not(@w:type='column')">
<!-- in a footnote the block-in-inline idiom below is forbidden (XSL 1.1 6.6.7: an fo:inline
descending from fo:footnote may not have block-level children; FOP throws a
ValidationException and the whole export is lost, measured on a manual whose
footnote held two URLs on a w:br); U+2028 LINE SEPARATOR is an explicit break
for FOP's line breaker (CharUtilities.isExplicitBreak), no glyph drawn -->
<xsl:text>&#x2028;</xsl:text>
</xsl:when>
<xsl:when test="$predecessor='br' and not(@w:type='page') and not(@w:type='column')">
<!-- special case; see discussion in BrWriter -->
<fo:block white-space-treatment="preserve" linefeed-treatment="preserve"><xsl:text> <!-- one carriage return -->
@@ -867,7 +886,15 @@
</xsl:template>
<xsl:template match="w:cr">
<xsl:choose>
<xsl:when test="ancestor::w:footnote">
<!-- as w:br above: no block inside a footnote's inline -->
<xsl:text>&#x2028;</xsl:text>
</xsl:when>
<xsl:otherwise>
<fo:block white-space-treatment="preserve"> </fo:block>
</xsl:otherwise>
</xsl:choose>
</xsl:template>
<!-- <w:sym w:font="Wingdings" w:char="F04A"/> -->
@@ -1116,7 +1143,8 @@
AbstractVisitorExporterGenerator.walkJAXBElements. @since 17.1.0 -->
<xsl:template match="mc:AlternateContent" >
<xsl:variable name="preferred"
select="mc:Choice[java:org.docx4j.utils.XSLTUtils.mcPrefersChoice(string(@Requires))][1]"/>
select="mc:Choice[java:org.docx4j.utils.XSLTUtils.mcPrefersChoice(string(@Requires))
or java:org.docx4j.utils.XSLTUtils.mcSelectsChoice($conversionContext, .)][1]"/>
<xsl:choose>
<xsl:when test="$preferred">
<xsl:variable name="info"
@@ -12,12 +12,16 @@ import org.apache.poi.wp.usermodel.HeaderFooterType;
import org.apache.poi.xwpf.usermodel.ParagraphAlignment;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTAbstractNum;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTFonts;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTFramePr;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTLvl;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTNumPr;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTPPr;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTSym;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.STFldCharType;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.STHAnchor;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.STNumberFormat;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.STVAnchor;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.STWrap;
import org.apache.poi.xwpf.usermodel.XWPFAbstractNum;
import org.apache.poi.xwpf.usermodel.XWPFNumbering;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTR;
@@ -76,6 +80,7 @@ public final class SampleDocxGenerator {
exoticGlyphs(dir.resolve("exotic-glyphs.docx"));
tooManyPages(dir.resolve("too-many-pages.docx"));
staleCache(dir.resolve("stale-cache.docx"));
framePr(dir.resolve("frame-pr.docx"));
System.out.println("Готово: " + dir.toAbsolutePath());
}
@@ -211,8 +216,8 @@ public final class SampleDocxGenerator {
/**
* Маркеры списков из символьных шрифтов: {@code w:lvlText} кодами из
* PUA (U+F0xx) + {@code w:rFonts} = Symbol/Wingdings, символьный шрифт
* прямо в ране и отдельный {@code w:sym}. Без SymbolFontNormalizer все
* они превращаются в «#».
* прямо в ране и отдельный {@code w:sym}. Без Unicode-маппинга (его с
* docx4j 17.3.3/#701 делает сам экспорт) все они превращаются в «#».
*/
private static void symbolBullets(Path out) throws Exception {
try (XWPFDocument doc = new XWPFDocument()) {
@@ -268,8 +273,9 @@ public final class SampleDocxGenerator {
/**
* Нумерация страниц: {@code PAGE} в колонтитуле — сложным полем
* ({@code fldChar} + {@code instrText} + кэш), как его пишет Word.
* Экспорт docx4j в FO {@code instrText} в таком поле игнорирует и печатает
* кэш, поэтому без FieldNormalizers все страницы получают одно число.
* С docx4j 17.3.5 (CR-067) {@code FieldsCombiner} сворачивает такое поле
* в {@code w:fldSimple}; без этого все страницы получили бы одно число
* из кэша.
*/
private static void pageNumbers(Path out) throws Exception {
try (XWPFDocument doc = new XWPFDocument()) {
@@ -380,6 +386,35 @@ public final class SampleDocxGenerator {
}
}
/**
* w:framePr (Part 1 §17.4.31): фрейм {@code hAnchor/vAnchor="page"},
* {@code x=3600 y=1440} twips → левый край текста 180pt от КРАЯ страницы
* (при {@code hAnchor="page"} {@code w:x} отсчитывается от края страницы,
* не от поля); обычный абзац печатается от поля (72pt). docx4j 17.3.6
* транслирует фрейм в абсолютно позиционированный блок FOP (до апгрейда
* текст фрейма шёл общим потоком у левого поля).
* Регрессия — WordPdfConverterTest#framePr_positionedLikeWord.
*/
private static void framePr(Path out) throws Exception {
try (XWPFDocument doc = new XWPFDocument()) {
heading(doc, "Frame anchored text", "Calibri");
XWPFParagraph base = doc.createParagraph();
run(base, "BASELINE ordinary line", "Calibri", false, false);
XWPFParagraph framed = doc.createParagraph();
CTPPr pPr = framed.getCTP().isSetPPr() ? framed.getCTP().getPPr() : framed.getCTP().addNewPPr();
CTFramePr frame = pPr.addNewFramePr();
frame.setHAnchor(STHAnchor.PAGE);
frame.setVAnchor(STVAnchor.PAGE);
frame.setX("3600");
frame.setY("1440");
frame.setW("4320");
frame.setH("2880");
frame.setWrap(STWrap.NONE);
run(framed, "FRAME anchored line", "Calibri", false, false);
save(doc, out);
}
}
/**
* Переупаковывает .docx, вставляя {@code w:lastRenderedPageBreak}
* перед каждым текстовым тегом {@code w:t} в {@code word/document.xml},
@@ -372,9 +372,10 @@ class WordPdfConverterTest {
/**
* Маркеры списков из символьных шрифтов (Symbol/Wingdings, коды из
* PUA U+F0xx) экспорт в FO не понимает и рисует .notdef — решётку «#».
* SymbolFontNormalizer заменяет их Unicode-эквивалентами, поэтому
* маркеры остаются маркерами.
* PUA U+F0xx) исторически рисовались .notdef — решёткой «#»; их
* Unicode-маппинг делал SymbolFontNormalizer. С docx4j 17.3.3 (#701)
* маркеры маппит сам экспорт в FO — правило удалено, тест пинит
* отсутствие регрессии на апстримном поведении.
*/
@Test
void symbolFonts_bulletsAreNotHash() throws Exception {
@@ -428,10 +429,11 @@ class WordPdfConverterTest {
/**
* Поля PAGE/NUMPAGES Word пишет как {@code fldChar} + {@code instrText}
* + закэшированный результат. Экспорт docx4j в FO инструкцию игнорирует
* и печатает кэш — все страницы получают одно и то же число.
* FieldNormalizer разворачивает поле в {@code w:fldSimple}, и FOP
* считает номер заново на каждой странице.
* + закэшированный результат; docx4j 11.x печатал кэш — все страницы
* получали одно число, его разворачивал FieldNormalizer. С docx4j 17.3.5
* (CR-067) {@code FieldsCombiner} сворачивает complex-поля в
* {@code w:fldSimple} и внутри {@code w:sdt}, FOP считает номер заново
* на каждой странице — правило удалено, тест пинит апстримное поведение.
*/
@Test
void pageNumbers_recomputedNotCached() throws Exception {
@@ -1442,8 +1444,8 @@ class WordPdfConverterTest {
* Синтетический .doc со списками (ни одна фикстура заказчика списков не
* содержит — крафт POIFS, дубль хелперов DocToDocxFormattingTest):
* PlfLst/PlfLfo → numbering.xml + w:numPr — decimal «1.»/«2.», буквенный
* подуровень «a)»/«b)», Symbol-буллет (PUA в w:lvl чинит
* SymbolFontNormalizer — та же цепочка, что symbol-bullets.docx).
* подуровень «a)»/«b)», Symbol-буллет (PUA в w:lvl маппит экспорт
* docx4j 17.3.x — та же цепочка, что symbol-bullets.docx).
* Регрессия — internal.doc.Lists + DocxBody#numPrXml.
*/
@Test
@@ -2344,7 +2346,7 @@ class WordPdfConverterTest {
}
/**
* Скрытый текст не выводится: правило 9 (HiddenTextNormalizer) вырезает
* Скрытый текст не выводится: правило 7 (HiddenTextNormalizer) вырезает
* раны с прямым truthy vanish и с rStyle на vanish-стиль; falsy vanish
* остаётся. Word при печати/PDF-export скрытое не печатает.
* Регрессия — аудит ECMA-376 2026-11 (Part 1 §17.3.2.30).
@@ -2369,7 +2371,7 @@ class WordPdfConverterTest {
}
/**
* База руби печатается (правило 10, RubyNormalizer): схема docx4j не
* База руби печатается (правило 8, RubyNormalizer): схема docx4j не
* биндит {@code w:rubyBase}/{@code w:rt} — unmarshaller терял их до
* XSLT. Надстрочница удаляется (принятая деградация, §17.3.3.19/.20 —
* ruby-разметки в FOP нет) и пинится негативом.
@@ -2930,4 +2932,50 @@ class WordPdfConverterTest {
}
}
/**
* w:framePr (Part 1 §17.4.31): фрейм {@code hAnchor/vAnchor="page"} с
* {@code x=3600 y=1440} twips позиционируется от края страницы — левый
* край его текста 180pt (не от поля!); обычный абзац начинается у поля
* (72pt). docx4j 17.3.6 транслирует фрейм в {@code fo:block-container
* absolute-position="fixed" left top} (до апгрейда текст фрейма шёл общим
* потоком). Фикстура — samples/frame-pr.docx.
*/
@Test
void framePr_positionedLikeWord() throws Exception {
Path pdf = convertPdf(sampleBytes("frame-pr.docx"), "frame-pr");
Map<Long, double[]> lefts = new LinkedHashMap<>();
Map<Long, StringBuilder> lineTexts = new LinkedHashMap<>();
try (PDDocument doc = Loader.loadPDF(pdf.toFile())) {
PDFTextStripper stripper = new PDFTextStripper() {
@Override
protected void processTextPosition(org.apache.pdfbox.text.TextPosition tp) {
String u = tp.getUnicode();
if (!u.trim().isEmpty()) {
long y = Math.round(tp.getYDirAdj());
double[] min = lefts.computeIfAbsent(y, k -> new double[]{Double.MAX_VALUE});
min[0] = Math.min(min[0], tp.getXDirAdj());
lineTexts.computeIfAbsent(y, k -> new StringBuilder()).append(u);
}
super.processTextPosition(tp);
}
};
String text = stripper.getText(doc);
assertTrue(text.contains("FRAME anchored line"), "текст фрейма напечатан");
}
Double base = null;
Double frame = null;
for (Map.Entry<Long, StringBuilder> e : lineTexts.entrySet()) {
String line = e.getValue().toString().trim();
if (line.startsWith("BASELINE")) {
base = lefts.get(e.getKey())[0];
} else if (line.startsWith("FRAME")) {
frame = lefts.get(e.getKey())[0];
}
}
assertTrue(base != null && frame != null, "строки-маркеры найдены");
assertTrue(Math.abs(base - 72.0) < 1.0, "обычный абзац у поля 72pt, реально=" + base);
assertTrue(Math.abs(frame - 180.0) < 1.0,
"фрейм hAnchor=page: x = 180pt от края страницы, реально=" + frame);
}
}
@@ -661,6 +661,96 @@ class WordPdfValidatorTest {
}
}
/**
* Мусорные и обрезанные заголовки растров — все ветки отказа «-1» в
* сканере {@link WordPdfValidator}: PNG длиной ≥24 с битой сигнатурой
* (каждый байт отдельно), BMP короче 26 и BMP с битым вторым байтом,
* JPEG короче 4, JPEG без FFD8, мусор-маркер после валидных сегментов,
* SOFn без телеги (i+9&gt;len), обход нетелевых маркеров (SOI внутри
* потока, RSTn, TEM) и сегментов DHT/JPEG-app (C4/C8/CC не считаются
* SOF). Ни один не отклоняется: площадь не объявлена, decode ограничен
* бюджетом распаковки. Регрессия — WordPdfValidator#rasterArea.
*/
@Test
void validate_rasterGarbageHeadsAccepted() throws Exception {
byte[][] pngs = new byte[4][];
for (int bad = 0; bad < 4; bad++) {
byte[] png = new byte[24];
System.arraycopy(new byte[] {(byte) 0x89, 'P', 'N', 'G', 0x0D, 0x0A, 0x1A, 0x0A},
0, png, 0, 8);
png[bad] = (byte) (bad == 0 ? 0x00 : 'X'); // байт сигнатуры испорчен
pngs[bad] = png;
}
byte[] bmpShort = {'B', 'M'}; // < 26 байт
byte[] bmpMagic = new byte[26];
bmpMagic[0] = 'B';
bmpMagic[1] = 'X'; // 'BM' битый со второго байта
byte[] jpgEmpty = {(byte) 0xFF}; // < 4 байт
byte[] jpgNoFf = {0x00, 0x01, 0x02, 0x03}; // первый байт не 0xFF
byte[] jpgNoD8 = {(byte) 0xFF, 0x00, 0x00, 0x00}; // нет FFD8
// FFD8 FFD8 (SOI внутри потока — i+=2), APP0-сегмент (пропуск по длине),
// DHT (C4 — не SOF), RST0 (нет телеги), TEM, затем SOF0 без телеги: i+9 > len.
// Отрезано на 44-м байте: маркер FFC0 виден сканеру (окно i+4), телеги не хватает.
byte[] jpgSofTruncated = java.util.Arrays.copyOf(jpgSkippingSegments(), 44);
// тот же поток, но SOF0 полный (10×10) — проходит как маленький растр.
byte[] jpgOk = jpgSkippingSegments();
// мусор вместо маркера после валидного APP0-сегмента (len 6 — сам
// сканер читает окно i+4, следующий «маркер» 00 попадает в него).
ByteArrayOutputStream junk = new ByteArrayOutputStream();
junk.writeBytes(new byte[] {(byte) 0xFF, (byte) 0xD8, (byte) 0xFF, (byte) 0xE0, 0x00, 0x06});
junk.writeBytes(new byte[4]);
junk.writeBytes(new byte[] {0x00, 0x00, 0x00, 0x00});
byte[][] jpgs = {jpgEmpty, jpgNoFf, jpgNoD8, jpgSofTruncated, jpgOk, junk.toByteArray()};
for (int i = 0; i < pngs.length; i++) {
byte[] zip = zipOf("word/media/g" + i + ".png", pngs[i]);
assertDoesNotThrow(() -> WordPdfValidator.validate(zip, DEF_OPTS), "png[" + i + "]");
}
byte[][] bmps = {bmpShort, bmpMagic};
for (int i = 0; i < bmps.length; i++) {
byte[] zip = zipOf("word/media/g" + i + ".bmp", bmps[i]);
assertDoesNotThrow(() -> WordPdfValidator.validate(zip, DEF_OPTS), "bmp[" + i + "]");
}
for (int i = 0; i < jpgs.length; i++) {
byte[] zip = zipOf("word/media/g" + i + ".jpg", jpgs[i]);
assertDoesNotThrow(() -> WordPdfValidator.validate(zip, DEF_OPTS), "jpg[" + i + "]");
}
}
/**
* JPEG-поток, проводящий сканер через все continue-ветки: двойной SOI,
* APP0 (пропуск по длине), DHT (C4 — не SOF несмотря на диапазон C0–CF),
* C8/CC (аналогично), RST0 и TEM (маркеры без телеги, i+=2), и
* завершающий полный SOF0 10×10.
*/
private static byte[] jpgSkippingSegments() {
ByteArrayOutputStream out = new ByteArrayOutputStream();
out.writeBytes(new byte[] {(byte) 0xFF, (byte) 0xD8}); // SOI
out.writeBytes(new byte[] {(byte) 0xFF, (byte) 0xD8}); // второй SOI: i+=2
out.writeBytes(new byte[] {(byte) 0xFF, (byte) 0xE0, 0x00, 0x12}); // APP0, len 18
out.writeBytes(new byte[16]);
out.writeBytes(new byte[] {(byte) 0xFF, (byte) 0xC4, 0x00, 0x02}); // DHT: не SOF, пропуск
out.writeBytes(new byte[] {(byte) 0xFF, (byte) 0xC8, 0x00, 0x02}); // C8: не SOF
out.writeBytes(new byte[] {(byte) 0xFF, (byte) 0xCC, 0x00, 0x02}); // CC: не SOF
out.writeBytes(new byte[] {(byte) 0xFF, (byte) 0xD0}); // RST0: без телеги
out.writeBytes(new byte[] {(byte) 0xFF, (byte) 0x01}); // TEM: без телеги
out.writeBytes(new byte[] {(byte) 0xFF, (byte) 0xC0, 0x00, 0x11, 0x08, 0x00, 0x0A, 0x00, 0x0A});
return out.toByteArray();
}
/** {@code null}-входы package-private гейтов: отказ {@link ValidationException} / false. */
@Test
void nullGuards_rejectBeforeWork() {
assertThrows(ValidationException.class, () -> WordPdfValidator.checkPageCountDoc(null, 100));
assertFalse(WordPdfValidator.isBinaryDoc(null));
assertFalse(WordPdfValidator.isBinaryDoc(new byte[] {(byte) 0xD0, (byte) 0xCF, 0x11, (byte) 0xE0}));
}
/** {@code null}-параметры публичного {@code validate}: лимиты обязаны быть заданы. */
@Test
void validate_nullOptions_rejected() {
assertThrows(ValidationException.class, () -> WordPdfValidator.validate(new byte[8], null));
}
@Test
void validate_tooManyPages() throws Exception {
byte[] bytes = docxWithPageBreaks(120);
@@ -1,233 +0,0 @@
package ru.pjandro.wordpdf.internal;
import org.junit.jupiter.api.Test;
import static org.junit.jupiter.api.Assertions.assertEquals;
import static org.junit.jupiter.api.Assertions.assertNull;
import static org.junit.jupiter.api.Assertions.assertTrue;
class FieldNormalizerTest {
/** Сложное поле Word: begin / instrText / separate / кэш / end. */
private static String field(String instr, String cached) {
return "<w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText xml:space=\"preserve\">" + instr
+ "</w:instrText></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"separate\"/></w:r>"
+ "<w:r><w:rPr><w:sz w:val=\"20\"/></w:rPr><w:t>" + cached + "</w:t></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"end\"/></w:r>";
}
@Test
void pageFieldBecomesFldSimple() {
String xml = "<w:p>" + field(" PAGE \\* MERGEFORMAT ", "2") + "</w:p>";
String out = FieldNormalizer.rewrite(xml);
assertTrue(out.startsWith("<w:p><w:fldSimple w:instr=\" PAGE \\* MERGEFORMAT \">"),
out);
// кэш остаётся внутри — он даёт оформление (шрифт, размер)
assertTrue(out.contains("<w:rPr><w:sz w:val=\"20\"/></w:rPr><w:t>2</w:t>"), out);
assertTrue(out.endsWith("</w:fldSimple></w:p>"), out);
assertTrue(!out.contains("fldChar"), "fldChar не удалён: " + out);
}
@Test
void numpagesAndSectionpagesAreSupported() {
for (String instr : new String[]{" NUMPAGES \\* ARABIC ", " SECTIONPAGES "}) {
String out = FieldNormalizer.rewrite("<w:p>" + field(instr, "11") + "</w:p>");
assertTrue(out.contains("<w:fldSimple w:instr=\"" + instr + "\">"), instr + ": " + out);
}
}
/** Инструкцию Word дробит на несколько w:instrText — их нужно склеить. */
@Test
void instructionSplitAcrossRuns() {
String xml = "<w:p><w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText xml:space=\"preserve\"> NUM</w:instrText></w:r>"
+ "<w:r><w:instrText xml:space=\"preserve\">PAGES </w:instrText></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"separate\"/></w:r>"
+ "<w:r><w:t>11</w:t></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"end\"/></w:r></w:p>";
String out = FieldNormalizer.rewrite(xml);
assertTrue(out.contains("<w:fldSimple w:instr=\" NUMPAGES \">"), out);
}
@Test
void otherFieldsUntouched() {
String xml = "<w:p>" + field(" HYPERLINK \"https://example.com\" ", "ссылка")
+ "</w:p>";
assertNull(FieldNormalizer.rewrite(xml), "чужое поле переписано");
}
/** Вложенное поле: разбирать его не берёмся, но и ломать не должны. */
@Test
void nestedFieldUntouched() {
String xml = "<w:p>"
+ "<w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText>= PAGE </w:instrText></w:r>"
+ field(" PAGE ", "2")
+ "<w:r><w:fldChar w:fldCharType=\"end\"/></w:r></w:p>";
assertNull(FieldNormalizer.rewrite(xml), "вложенное поле переписано");
}
/** Соседние ран-свойства и остальной документ остаются без изменений. */
@Test
void surroundingContentPreserved() {
String xml = "<w:hdr><w:p><w:pPr><w:jc w:val=\"center\"/></w:pPr>"
+ "<w:r><w:t>до</w:t></w:r>" + field(" PAGE ", "2")
+ "<w:r><w:t>после</w:t></w:r></w:p></w:hdr>";
String out = FieldNormalizer.rewrite(xml);
assertTrue(out.startsWith("<w:hdr><w:p><w:pPr><w:jc w:val=\"center\"/></w:pPr>"
+ "<w:r><w:t>до</w:t></w:r>"), out);
assertTrue(out.endsWith("<w:r><w:t>после</w:t></w:r></w:p></w:hdr>"), out);
}
/** Поле внутри w:sdt — так Word пишет нумерацию «Page Numbers (Top of Page)». */
@Test
void fieldInsideSdt() {
String xml = "<w:sdt><w:sdtPr/><w:sdtEndPr/><w:sdtContent>"
+ field(" PAGE ", "2") + "</w:sdtContent></w:sdt>";
String out = FieldNormalizer.rewrite(xml);
assertTrue(out.startsWith("<w:sdt><w:sdtPr/><w:sdtEndPr/><w:sdtContent>"
+ "<w:fldSimple"), out);
assertTrue(out.endsWith("</w:fldSimple></w:sdtContent></w:sdt>"), out);
}
@Test
void nothingToChangeReturnsNull() {
assertNull(FieldNormalizer.rewrite("<w:p><w:r><w:t>текст</w:t></w:r></w:p>"));
}
/** Поле без separate/end — битое, пропускаем, остальное не трогаем. */
@Test
void unterminatedFieldSkipped() {
String xml = "<w:p><w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText> PAGE </w:instrText></w:r></w:p>";
assertNull(FieldNormalizer.rewrite(xml));
}
/** Кавычка и ampersand в инструкции не должны сломать атрибут. */
@Test
void instructionEscapedIntoAttribute() {
String out = FieldNormalizer.rewrite(
"<w:p>" + field(" STYLEREF \"Раздел &amp; номер\" ", "1") + "</w:p>");
// STYLEREF не поддерживается — поле должно остаться как было
assertNull(out);
String page = FieldNormalizer.rewrite(
"<w:p>" + field(" PAGE ", "1") + "</w:p>");
assertEquals("<w:p><w:fldSimple w:instr=\" PAGE \">"
+ "<w:r><w:rPr><w:sz w:val=\"20\"/></w:rPr><w:t>1</w:t></w:r>"
+ "</w:fldSimple></w:p>", page);
}
/** Маркер begin без единого <w:r> до него — поле-контейнер не найти, пропускаем. */
@Test
void beginWithoutAnyRun_skipped() {
assertNull(FieldNormalizer.rewrite("fldCharType=\"begin\""));
}
/** begin после закрытого рана: ран-контейнер не найден — пропускаем. */
@Test
void beginOutsideRun_skipped() {
assertNull(FieldNormalizer.rewrite(
"<w:r><w:t>до</w:t></w:r>fldCharType=\"begin\""));
}
/** Ран с begin не закрыт — битое поле, пропускаем. */
@Test
void beginRunUnclosed_skipped() {
assertNull(FieldNormalizer.rewrite(
"<w:r><w:fldChar w:fldCharType=\"begin\""));
}
/** Поле без instrText: инструкция пуста — не поддерживаем, оставляем как есть. */
@Test
void fieldWithoutInstruction_skipped() {
String xml = "<w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"end\"/></w:r>";
assertNull(FieldNormalizer.rewrite(xml));
}
/** PAGE без separate: кэша нет — fldSimple пустой, число нарисует обработчик. */
@Test
void fieldWithoutSeparate_emptyFldSimple() {
String xml = "<w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText> PAGE </w:instrText></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"end\"/></w:r>";
assertEquals("<w:fldSimple w:instr=\" PAGE \"></w:fldSimple>",
FieldNormalizer.rewrite(xml));
}
/** separate другого поля после end: кэшем этого поля оно быть не может. */
@Test
void separateAfterFieldEnd_notCapturedAsCache() {
String xml = "<w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText> PAGE </w:instrText></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"end\"/></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"separate\"/></w:r>";
String out = FieldNormalizer.rewrite(xml);
assertTrue(out.startsWith("<w:fldSimple w:instr=\" PAGE \"></w:fldSimple>"), out);
assertTrue(out.endsWith("<w:r><w:fldChar w:fldCharType=\"separate\"/></w:r>"), out);
}
/** end вне рана: начало его рана не найти — кэш не берём, поле переписываем пустым. */
@Test
void endMarkerOutsideRun_noCacheCaptured() {
String xml = "<w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText> PAGE </w:instrText></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"separate\"/></w:r>"
+ "<w:r><w:t>2</w:t></w:r>"
+ "fldCharType=\"end\""
+ "<w:r><w:t>после</w:t></w:r>";
assertEquals("<w:fldSimple w:instr=\" PAGE \"></w:fldSimple>",
FieldNormalizer.rewrite(xml));
}
/** separate и end в одном ране: «кэш» лежал бы раньше маркера — не берём. */
@Test
void separateAndEndInOneRun_noCacheCaptured() {
String xml = "<w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText> PAGE </w:instrText></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"separate\"/>"
+ "<w:fldChar w:fldCharType=\"end\"/></w:r>";
assertEquals("<w:fldSimple w:instr=\" PAGE \"></w:fldSimple>",
FieldNormalizer.rewrite(xml));
}
/** instrText без закрывающего тега: инструкцию не собрать — поле остаётся. */
@Test
void unclosedInstrText_fieldSkipped() {
String xml = "<w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText> PAGE </w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"end\"/></w:r>";
assertNull(FieldNormalizer.rewrite(xml));
}
/** Ран с атрибутами (<w:r w:rsidR=...>) — корректное открытие рана, поле переписывается. */
@Test
void runWithAttributes_fieldRewritten() {
String xml = "<w:r w:rsidR=\"001E\"><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText> PAGE </w:instrText></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"separate\"/></w:r>"
+ "<w:r><w:t>2</w:t></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"end\"/></w:r>";
String out = FieldNormalizer.rewrite(xml);
assertTrue(out.startsWith("<w:fldSimple w:instr=\" PAGE \">"), out);
assertTrue(out.contains("<w:r><w:t>2</w:t></w:r>"), "кэш потерян: " + out);
}
/** Ран с end не закрыт — поле битое, пропускаем. */
@Test
void endRunUnclosed_fieldSkipped() {
String xml = "<w:r><w:fldChar w:fldCharType=\"begin\"/></w:r>"
+ "<w:r><w:instrText> PAGE </w:instrText></w:r>"
+ "<w:r><w:fldChar w:fldCharType=\"end\"";
assertNull(FieldNormalizer.rewrite(xml));
}
}
@@ -17,7 +17,7 @@ import static org.junit.jupiter.api.Assertions.assertSame;
import static org.junit.jupiter.api.Assertions.assertTrue;
/**
* Юниты правила 10: разворот {@code w:rubyBase}/{@code w:rubyBaseText},
* Юниты правила 8: разворот {@code w:rubyBase}/{@code w:rubyBaseText},
* вырезание {@code w:rt}/{@code w:rubyPr}/{@code w:rubyAlign}
* (Part 1 §17.3.3.18/.19/.20/.21).
*/
@@ -1,342 +0,0 @@
package ru.pjandro.wordpdf.internal;
import org.junit.jupiter.api.Test;
import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.nio.charset.StandardCharsets;
import java.util.zip.ZipEntry;
import java.util.zip.ZipInputStream;
import java.util.zip.ZipOutputStream;
import static org.junit.jupiter.api.Assertions.*;
/**
* Замена символьных шрифтов Symbol/Wingdings на Unicode + бандл-шрифт
* (см. SymbolFontNormalizer). Коды берутся из SymbolMapper docx4j 17.x и
* сверяются с экспортом Word (develop/, вне git).
*/
class SymbolFontNormalizerTest {
/** Маркеры списков: Wingdings F0A7 -> ▪, Symbol F0B7 -> •, F02D -> −. */
private static final String NUMBERING_XML =
"<?xml version=\"1.0\" encoding=\"UTF-8\"?>"
+ "<w:numbering xmlns:w=\"http://schemas.openxmlformats.org/wordprocessingml/2006/main\">"
+ "<w:abstractNum w:abstractNumId=\"1\">"
+ "<w:lvl w:ilvl=\"0\"><w:numFmt w:val=\"bullet\"/>"
+ "<w:lvlText w:val=\"\uF0A7\"/>"
+ "<w:rPr><w:rFonts w:ascii=\"Wingdings\" w:hAnsi=\"Wingdings\" w:hint=\"default\"/></w:rPr></w:lvl>"
+ "<w:lvl w:ilvl=\"1\"><w:numFmt w:val=\"bullet\"/>"
+ "<w:lvlText w:val=\"\uF0B7\"/>"
+ "<w:rPr><w:rFonts w:ascii=\"Symbol\" w:hAnsi=\"Symbol\"/></w:rPr></w:lvl>"
+ "<w:lvl w:ilvl=\"2\"><w:numFmt w:val=\"bullet\"/>"
+ "<w:lvlText w:val=\"%1.\"/>"
+ "<w:rPr><w:rFonts w:ascii=\"Times New Roman\"/></w:rPr></w:lvl>"
+ "</w:abstractNum></w:numbering>";
/** Символьный шрифт в ране + w:sym с собственным w:font. */
private static final String DOCUMENT_XML =
"<w:document xmlns:w=\"http://schemas.openxmlformats.org/wordprocessingml/2006/main\"><w:body>"
+ "<w:r><w:rPr><w:rFonts w:ascii=\"Symbol\" w:hAnsi=\"Symbol\"/></w:rPr>"
+ "<w:t>\uF0B7 хвостик</w:t></w:r>"
+ "<w:r><w:rPr><w:rFonts w:ascii=\"Times New Roman\"/><w:sz w:val=\"28\"/></w:rPr>"
+ "<w:t xml:space=\"preserve\">до </w:t><w:sym w:font=\"Symbol\" w:char=\"F0A9\"/>"
+ "<w:t xml:space=\"preserve\"> после</w:t></w:r>"
+ "<w:r><w:rPr><w:rFonts w:ascii=\"Times New Roman\"/></w:rPr>"
+ "<w:t>обычный текст</w:t></w:r>"
+ "</w:body></w:document>";
private static byte[] makeDocx(String documentXml, String numberingXml) throws IOException {
ByteArrayOutputStream out = new ByteArrayOutputStream();
try (ZipOutputStream zos = new ZipOutputStream(out)) {
zos.putNextEntry(new ZipEntry("[Content_Types].xml"));
zos.write("\uF0A7".getBytes(StandardCharsets.UTF_8));
zos.closeEntry();
zos.putNextEntry(new ZipEntry("word/document.xml"));
zos.write(documentXml.getBytes(StandardCharsets.UTF_8));
zos.closeEntry();
if (numberingXml != null) {
zos.putNextEntry(new ZipEntry("word/numbering.xml"));
zos.write(numberingXml.getBytes(StandardCharsets.UTF_8));
zos.closeEntry();
}
}
return out.toByteArray();
}
private static String readEntry(byte[] zip, String name) throws IOException {
try (ZipInputStream zis = new ZipInputStream(
new java.io.ByteArrayInputStream(zip))) {
ZipEntry e;
while ((e = zis.getNextEntry()) != null) {
if (e.getName().equals(name)) {
return new String(zis.readAllBytes(), StandardCharsets.UTF_8);
}
}
}
throw new AssertionError("нет записи " + name);
}
@Test
void listMarkersBecomeUnicode() throws Exception {
byte[] result = SymbolFontNormalizer.normalize(makeDocx("<w:document/>", NUMBERING_XML));
String numbering = readEntry(result, "word/numbering.xml");
assertTrue(numbering.contains("<w:lvlText w:val=\"▪\"/>"),
"Wingdings F0A7 не стал ▪: " + numbering);
assertTrue(numbering.contains("<w:lvlText w:val=\"•\"/>"),
"Symbol F0B7 не стал •: " + numbering);
assertTrue(numbering.contains("<w:lvlText w:val=\"%1.\"/>"),
"уровень без символьного шрифта изменён: " + numbering);
assertFalse(numbering.contains("Wingdings"), "имя шрифта не заменено: " + numbering);
assertTrue(numbering.contains("w:ascii=\"" + SymbolFontNormalizer.REPLACEMENT_FAMILY + "\""),
"fallback-семейство не проставлено: " + numbering);
}
@Test
void symbolFontInRunIsReplaced() throws Exception {
byte[] result = SymbolFontNormalizer.normalize(makeDocx(DOCUMENT_XML, null));
String document = readEntry(result, "word/document.xml");
assertTrue(document.contains("<w:t>• хвостик</w:t>"),
"PUA в ране не заменён: " + document);
assertFalse(document.contains("=\"Symbol\""),
"Symbol остался в w:rFonts: " + document);
assertTrue(document.contains("<w:t>обычный текст</w:t>"),
"чужой ран изменён: " + document);
}
/**
* w:sym имеет собственный w:font, поэтому ран разрезается: символ
* уходит в fallback-шрифт, соседний текст сохраняет Times New Roman.
*/
@Test
void symElementSplitsRunAndKeepsNeighbourFont() throws Exception {
byte[] result = SymbolFontNormalizer.normalize(makeDocx(DOCUMENT_XML, null));
String document = readEntry(result, "word/document.xml");
assertTrue(document.contains("♥"), "w:sym F0A9 не стал ♥: " + document);
assertFalse(document.contains("<w:sym"), "w:sym не заменён: " + document);
assertTrue(document.contains("<w:t xml:space=\"preserve\">до </w:t>"),
"текст до w:sym потерян: " + document);
assertTrue(document.contains("<w:t xml:space=\"preserve\"> после</w:t>"),
"текст после w:sym потерян: " + document);
// Соседний текст остался на своём шрифте, символ — на fallback
assertTrue(document.contains("w:ascii=\"Times New Roman\""),
"шрифт соседнего текста изменён: " + document);
assertTrue(document.contains("♥"), "символ потерян: " + document);
}
@Test
void nothingToChangeReturnsOriginalArray() throws Exception {
byte[] docx = makeDocx("<w:document><w:t>обычный текст</w:t></w:document>", null);
assertSame(docx, SymbolFontNormalizer.normalize(docx));
}
/** Часть вне word/*.xml не трогаем (та же политика, что у DocxOnOffNormalizer). */
@Test
void nonWordPartsNotTouched() throws Exception {
byte[] result = SymbolFontNormalizer.normalize(makeDocx("<w:document/>", NUMBERING_XML));
assertEquals("\uF0A7", readEntry(result, "[Content_Types].xml"));
}
@Test
void rewriteWithoutMatchesIsNull() {
assertNull(SymbolFontNormalizer.rewrite("<w:document><w:t>текст</w:t></w:document>"));
assertNull(SymbolFontNormalizer.rewrite("<w:r><w:t>нет символных шрифтов</w:t></w:r>"));
}
/** Символьный шрифт без кодов из PUA и коды из PUA без шрифта — не трогаем. */
@Test
void fontWithoutPuaAndPuaWithoutFontUntouched() {
assertNull(SymbolFontNormalizer.rewrite(
"<w:r><w:rPr><w:rFonts w:ascii=\"Wingdings\"/></w:rPr><w:t>текст</w:t></w:r>"));
assertNull(SymbolFontNormalizer.rewrite(
"<w:r><w:rPr><w:rFonts w:ascii=\"Arial\"/></w:rPr><w:t>\uF0A7</w:t></w:r>"));
}
/**
* Ран внутри текстбокса (вложенный w:r): внутренний ран с Wingdings
* переписывается, каркас внешнего остаётся целым.
* Регрессия — SymbolFontNormalizerTest#nestedRunInTextBox_innerNormalized.
*/
@Test
void nestedRunInTextBox_innerNormalized() {
String xml = "<w:document><w:r><w:rPr><w:rFonts w:ascii=\"Calibri\"/></w:rPr>"
+ "<w:drawing><wp:inline><wp:txbx><w:txbxContent><w:p>"
+ "<w:r><w:rPr><w:rFonts w:ascii=\"Wingdings\"/></w:rPr><w:t>\uF0A7 хвостик</w:t></w:r>"
+ "</w:p></w:txbxContent></wp:txbx></wp:inline></w:drawing></w:r></w:document>";
String out = SymbolFontNormalizer.rewrite(xml);
assertNotNull(out, "внутренний ран не переписан");
assertTrue(out.contains("<w:t>▪ хвостик</w:t>"), "PUA не стал Unicode: " + out);
assertFalse(out.contains("Wingdings"), "имя шрифта не заменено: " + out);
assertTrue(out.contains("w:ascii=\"" + SymbolFontNormalizer.REPLACEMENT_FAMILY + "\""),
"нет fallback-семейства: " + out);
assertTrue(out.contains("<w:r><w:rPr><w:rFonts w:ascii=\"Calibri\"/></w:rPr><w:drawing>"),
"каркас внешнего рана повреждён: " + out);
}
/** Нет кодов из PUA, но есть w:sym — быстрый путь не отсекает, символ заменяется. */
@Test
void symWithoutPuaStillRewritten() {
String out = SymbolFontNormalizer.rewrite(
"<w:r><w:rPr><w:rFonts w:ascii=\"Symbol\"/></w:rPr>"
+ "<w:t>a</w:t><w:sym w:char=\"F0A9\"/></w:r>");
assertNotNull(out, "ран с w:sym без PUA пропущен");
assertTrue(out.contains("♥"), "w:sym без w:font не взят из шрифта рана: " + out);
assertTrue(out.contains("w:ascii=\"" + SymbolFontNormalizer.REPLACEMENT_FAMILY + "\""),
"нет fallback-семейства у символа: " + out);
assertTrue(out.contains("<w:t>a</w:t>"), "текст до w:sym потерян: " + out);
}
/** Битые/незакрытые конструкции не правим (контракт: null = не трогать). */
@Test
void malformedRunsUntouched() {
// открывающий <w:r> есть, закрывающего нет
assertNull(SymbolFontNormalizer.rewrite("<w:r><w:t>\uF0B7</w:t>"));
// открывающий тег без '>'
assertNull(SymbolFontNormalizer.rewrite("<w:r \uF0B7"));
// префикс <w:r на самом конце строки
assertNull(SymbolFontNormalizer.rewrite("<w:t>\uF0B7</w:t><w:r"));
}
/** Граница имени тега — любой XML-разделитель, не только пробел. */
@Test
void runTagDelimiterVariantsAccepted() {
String out = SymbolFontNormalizer.rewrite(
"<w:r\t><w:rPr><w:rFonts w:ascii=\"Symbol\"/></w:rPr><w:t>\uF0B7</w:t></w:r>"
+ "<w:r\n><w:rPr><w:rFonts w:ascii=\"Symbol\"/></w:rPr><w:t>\uF0B7</w:t></w:r>"
+ "<w:r\r><w:rPr><w:rFonts w:ascii=\"Symbol\"/></w:rPr><w:t>\uF0B7</w:t></w:r>");
assertNotNull(out, "ран с табуляцией/переносом в теге пропущен");
assertTrue(out.contains("<w:t>•</w:t>"), "PUA не стал Unicode: " + out);
assertFalse(out.contains("=\"Symbol\""), "имя шрифта не заменено: " + out);
}
/** Самозакрывающийся <w:r/> — не блок, поиск продолжается со следующего рана. */
@Test
void selfClosingRunSkipped() {
String out = SymbolFontNormalizer.rewrite(
"<w:r w:rsidR=\"0001\"/><w:r><w:rPr><w:rFonts w:ascii=\"Symbol\"/></w:rPr>"
+ "<w:t>\uF0B7</w:t></w:r>");
assertNotNull(out, "ран после <w:r/> не переписан");
assertTrue(out.contains("<w:r w:rsidR=\"0001\"/>"), "самозакрывающийся ран повреждён: " + out);
assertTrue(out.contains("<w:t>•</w:t>"), "PUA не стал Unicode: " + out);
}
/** Два открывающих, один закрывающий: блок берётся до единственного </w:r>. */
@Test
void unbalancedNestedRuns_blockUpToSoleClose() {
String out = SymbolFontNormalizer.rewrite(
"<w:r><w:r><w:rPr><w:rFonts w:ascii=\"Symbol\"/></w:rPr>"
+ "<w:t>\uF0B7</w:t></w:r>");
assertNotNull(out, "несбалансированный блок не переписан");
assertTrue(out.contains("<w:t>•</w:t>"), "PUA не стал Unicode: " + out);
assertFalse(out.contains("=\"Symbol\""), "имя шрифта не заменено: " + out);
}
/** Хвост после единственного </w:r> без собственного рана — не трогаем. */
@Test
void danglingTailAfterCloseUntouched() {
assertNull(SymbolFontNormalizer.rewrite("<w:r><w:r></w:r>\uF0B7"));
}
/** Коды вне U+F000–U+F0FF — обычная часть символьного шрифта, не переписываются. */
@Test
void puaAboveBlockKept() {
assertNull(SymbolFontNormalizer.rewrite(
"<w:r><w:rPr><w:rFonts w:ascii=\"Symbol\"/></w:rPr><w:t>\uF100</w:t></w:r>"));
String out = SymbolFontNormalizer.rewrite(
"<w:r><w:rPr><w:rFonts w:ascii=\"Symbol\"/></w:rPr><w:t>\uF0B7\uF100</w:t></w:r>");
assertNotNull(out);
assertTrue(out.contains("•\uF100"), "F0B7/F100 обработаны неверно: " + out);
}
/** PUA-код без соответствия в таблице остаётся как был, шрифт всё равно меняется. */
@Test
void unmappedPuaSlotKeepsCode() {
String out = SymbolFontNormalizer.rewrite(
"<w:r><w:rPr><w:rFonts w:ascii=\"Symbol\"/></w:rPr><w:t>\uF000</w:t></w:r>");
assertNotNull(out);
assertTrue(out.contains("\uF000"), "код без маппинга потерян: " + out);
assertFalse(out.contains("=\"Symbol\""), "имя шрифта не заменено: " + out);
}
/** w:sym в блоке w:lvl (не ран) — не разрезаем. */
@Test
void symInLevelBlockNotSplit() {
assertNull(SymbolFontNormalizer.rewrite(
"<w:lvl><w:sym w:font=\"Wingdings\" w:char=\"F0A7\"/></w:lvl>"));
}
/** Открытый <w:rPr> без </w:rPr> перед w:sym — битый ран не правим. */
@Test
void unclosedRPrBeforeSymUntouched() {
assertNull(SymbolFontNormalizer.rewrite(
"<w:r><w:rPr><w:sym w:font=\"Symbol\" w:char=\"F0A9\"/></w:r>"));
}
/** w:sym без w:char / без w:font в ране без символьного шрифта / код вне PUA /
* слот без маппинга — элемент удаляется, соседний текст сохраняется. */
@Test
void unresolvableSymElementDropped() {
String noChar = SymbolFontNormalizer.rewrite(
"<w:r><w:t>a</w:t><w:sym w:font=\"Symbol\"/></w:r>");
assertNotNull(noChar);
assertFalse(noChar.contains("<w:sym"), "неразрешимый w:sym остался: " + noChar);
assertTrue(noChar.contains("<w:t>a</w:t>"), "текст потерян: " + noChar);
String noFontNoMap = SymbolFontNormalizer.rewrite(
"<w:r><w:t>a</w:t><w:sym w:char=\"F0A9\"/></w:r>");
assertNotNull(noFontNoMap);
assertFalse(noFontNoMap.contains("<w:sym"), "w:sym без шрифта остался: " + noFontNoMap);
String asciiChar = SymbolFontNormalizer.rewrite(
"<w:r><w:t>a</w:t><w:sym w:font=\"Symbol\" w:char=\"0041\"/></w:r>");
assertNotNull(asciiChar);
assertFalse(asciiChar.contains("<w:sym"), "w:sym с кодом вне PUA остался: " + asciiChar);
String unmappedChar = SymbolFontNormalizer.rewrite(
"<w:r><w:t>a</w:t><w:sym w:font=\"Symbol\" w:char=\"F000\"/></w:r>");
assertNotNull(unmappedChar);
assertFalse(unmappedChar.contains("<w:sym"), "w:sym без маппинга остался: " + unmappedChar);
}
/** w:sym не самозакрывающийся — под regex не попадает, ран не трогаем. */
@Test
void nonSelfClosingSymUntouched() {
assertNull(SymbolFontNormalizer.rewrite(
"<w:r><w:t>a</w:t><w:sym w:font=\"Symbol\" w:char=\"F0A9\"></w:sym></w:r>"));
}
/** rPr без w:rFonts: fallback-семейство вставляется первым ребёнком. */
@Test
void forceFontInsertsRFontsWhenAbsent() {
String out = SymbolFontNormalizer.rewrite(
"<w:r><w:rPr><w:sz w:val=\"28\"/></w:rPr>"
+ "<w:sym w:font=\"Symbol\" w:char=\"F0A9\"/></w:r>");
assertNotNull(out);
assertTrue(out.contains("<w:rPr><w:rFonts w:ascii=\"" + SymbolFontNormalizer.REPLACEMENT_FAMILY
+ "\" w:hAnsi=\"" + SymbolFontNormalizer.REPLACEMENT_FAMILY
+ "\" w:cs=\"" + SymbolFontNormalizer.REPLACEMENT_FAMILY
+ "\"/><w:sz w:val=\"28\"/></w:rPr>"),
"w:rFonts не вставлен в rPr: " + out);
assertTrue(out.contains("♥"), "символ потерян: " + out);
}
/** В обработанном блоке несимвольные имена шрифтов остаются как были. */
@Test
void nonSymbolFontAttrKept() {
String out = SymbolFontNormalizer.rewrite(
"<w:r><w:rPr><w:rFonts w:ascii=\"Symbol\" w:eastAsia=\"Arial\"/></w:rPr>"
+ "<w:t>\uF0B7</w:t></w:r>");
assertNotNull(out);
assertTrue(out.contains("w:eastAsia=\"Arial\""), "несимвольный шрифт изменён: " + out);
assertTrue(out.contains("w:ascii=\"" + SymbolFontNormalizer.REPLACEMENT_FAMILY + "\""),
"символьный шрифт не заменён: " + out);
assertTrue(out.contains("<w:t>•</w:t>"), "PUA не стал Unicode: " + out);
}
}
@@ -156,7 +156,7 @@ class ListsTest {
assertTrue(xml.contains("<w:suff w:val=\"space\"/>"), xml);
assertTrue(xml.contains("<w:rFonts w:ascii=\"Symbol\" w:hAnsi=\"Symbol\"/>"), xml);
assertTrue(xml.contains("<w:lvlText w:val=\"\uF0B7\"/>"),
"PUA-символ дословно (чинит SymbolFontNormalizer): " + xml);
"PUA-символ дословно (маппит экспорт docx4j 17.3.x): " + xml);
}
@Test