diff --git a/AGENTS.md b/AGENTS.md index 9b943d8..4c7d590 100644 --- a/AGENTS.md +++ b/AGENTS.md @@ -2,7 +2,7 @@ ## Project Overview -Конвертер `.docx` → `.pdf` на чистом Java (docx4j 17.3.2 + форк Apache FOP, без LibreOffice/Aspose). Java 21, только Maven. Модули: `wordpdf-core` (библиотека), `wordpdf-app` (Spring Boot 4.1.1 REST API); `wordpdf-web` — React SPA в nginx-контейнере (отдельный деп, вне Maven). Единственный гейт перед `git push` — `mvn clean verify` (CI нет; SPA гейтуется `npm run build` + `npm run lint`). Вход стека — контейнер `gateway` (nginx), НЕ 8080. README устарел шире секции про контейнеры: лимиты (пишет 5 МБ/100 стр. — совпадает с кодом; 6 МБ multipart — фактически 100 MB), порты («всё на :8080» — фактически gateway :9010/:9011), API-ключ вообще не упомянут; плюс «фикстуры генерируются POI» (они закоммичены, POI только в генераторе) и Swagger UI без оговорки, что в проде она открыта без ключа, — авторитет этот файл. +Конвертер `.docx`/`.doc` → `.pdf` на чистом Java (docx4j 17.3.2 + форк Apache FOP; бинарный `.doc` Word 97-2003 — через POI HWPF, без LibreOffice/Aspose). Java 21, только Maven. Модули: `wordpdf-core` (библиотека), `wordpdf-app` (Spring Boot 4.1.1 REST API); `wordpdf-web` — React SPA в nginx-контейнере (отдельный деп, вне Maven). Единственный гейт перед `git push` — `mvn clean verify` (CI нет; SPA гейтуется `npm run build` + `npm run lint`). Вход стека — контейнер `gateway` (nginx), НЕ 8080. README устарел шире секции про контейнеры: лимиты (пишет 5 МБ/100 стр. — совпадает с кодом; 6 МБ multipart — фактически 100 MB), порты («всё на :8080» — фактически gateway :9010/:9011), API-ключ вообще не упомянут; плюс «фикстуры генерируются POI» (они закоммичены, POI только в генераторе) и Swagger UI без оговорки, что в проде она открыта без ключа, — авторитет этот файл. ## Architecture & Data Flow @@ -10,6 +10,8 @@ Наружу `WordPdfValidator.validate(docxBytes, options)` (размер → zip-подпись `PK\x03\x04` → страницы) вызывается **до** приватного `convertToStream`; внутри `convertToStream`: +**Шаг 0**: вход с OLE2-магиком `D0 CF 11 E0 A1 B1 1A E1` (бинарный `.doc`) уходит в `internal.DocToPdfRenderer.render` **до** создания `BundledFontMapper` — docx4j-машинерия и все нормализаторы (zip-путь) для него бессмысленны; см. «Ветка .doc» ниже. + 1. `new BundledFontMapper()` → `BundledFonts.init()` → `BundledFonts.restrictToBundled()`. Конструктор маппера каждый раз добавляет системные шрифты в реестр `PhysicalFonts`; ключ реестра — имя из name-таблицы TTF, `addPhysicalFont(URI)` не перезаписывает занятый → `init()` вызывает `dropNonBundled()` **до** регистрации и `load()` (иначе системный Calibri ломает em-dash-fallback). 2. Нормализация байтов docx до JAXB-загрузки (цепочка `byte[] → byte[]`, порядок значим): `StrictOoxmlNormalizer` (strict-OOXML → transitional-байт: `a:`-проценты и `w14:fillToRect` → тысячные ×1000, текст `wp14:pctWidth`/`pctHeight`, элементы и атрибуты `w:start`/`w:end` → `w:left`/`w:right` (кроме `w:lvl/w:start` в numbering.xml), значения `start`/`end` у `w:jc`/`w:tab`; в `mc-preprocessor.xslt` docx4j ветка `%` закомментирована, start/end не маппятся; namespaces и `pt`-значения правит сам mc-preprocessor — собственный рерайт URI ломает его pt-конверсию) → `DocxOnOffNormalizer` (`w:val="off"/"on"` → `false`/`true`) → `SymbolFontNormalizer` (PUA U+F0xx Symbol/Wingdings/Webdings → Unicode + DejaVu Sans, переписывает и элементы ``; 5 карт по 256 слотов, таблица `SymbolMapper` сгенерирована из docx4j 17.x) → `FieldNormalizer` (`fldChar` PAGE/NUMPAGES/SECTIONPAGES → `w:fldSimple`, вложенные/битые поля пропускает) → `GlyphCoverageNormalizer` (режет ран по покрытию глифов, пишет семейство в `w:rFonts`, иначе FOP рисует «#»; покрытие — `java.awt.Font.canDisplay` + BitSet-кэш, НЕ docx4j `GlyphCheck` — тот плодит INFO-лог; для serif-ран fallback ищется сначала в `SERIF_FAMILIES` (DejaVu Serif/Tinos/Caladea), затем в sans) → `WordprocessingMLPackage.load`. 3. `WordPdfValidator.checkPageCount(docxBytes, maxPages)` — **до** рендера, lightweight (zip/StAX) по нормализованным байтам — тот же путь, что у приложения до очереди. @@ -17,11 +19,15 @@ 5. `new FOSettings(pkg)` + `FopFallbackFonts.declare` (декларирует **все** бандл-семейства — FOP встраивает только задекларированные) → `FORendererApacheFOP`/`FOUserAgent` (непустой `title` → заголовок PDF) → `Docx4J.toFO(..., FLAG_EXPORT_PREFER_XSL)`. 6. `finally`: `deleteEmbeddedFontTempFiles()` (в 17.x `OpcPackage.close()` нет). +### Ветка `.doc` (`internal/DocToPdfRenderer`, public только `render`) + +POI `WordToFoConverter` (HWPF→XSL-FO) → тот же FOP-форк. Порядок: `BundledFonts.init()` (без `restrictToBundled` — FOP-конфиг строится строкой с `auto-detect="false"`, системные шрифты в рендер не попадают) → `POIFSFileSystem`/`HWPFDocument` → `FontReplacer` (имя = name-таблица TTF через `BundledFontMapper.bundledFamily`) → `PicturesManager` во временный каталог (без него POI **молча пропускает** картинки; пустые картинки — `null`, иначе FOP падает EOFException) → `processDocument` → пост-обработка FO-DOM: `applyDefaultFont` (инлайны POI без `font-family` — иначе базовый Helvetica) и `injectHeadersAndFooters` (POI колонтитулы не пишет): `HeaderStories` odd/even/first × header/footer, чанки по `\u000c`; в мастер — `region-before`/`region-after` (`extent` = top/bottom margin из `margin`-шортхэнда `region-body`, **margin'ы `region-body` сохраняются** — форк FOP не вычитает extent'ы регионов из body-области, единственная защита от наезда текста на колонтитулы — собственные margin'ы body; порядок детей body→before→after — требование валидации форка; зазор — маргинами блоков, padding регионов FOP валит), в `page-sequence` — `fo:static-content` перед `fo:flow`; first/even — эвристика «непустая история ⇒ вариант» (флаги titlePg/evenAndOdd POI не отдаёт) через `fo:page-sequence-master` + `conditional-page-master-reference` first/even/rest. Поля в текстах историй — управляющие символы `\u0013/\u0014/\u0015`: `PAGE` → `fo:page-number`, `NUMPAGES`/`SECTIONPAGES` → `fo:page-number-citation-last` по последнему мастеру; `fo:page-number` без `font-family` блока рисуется Helvetica — блок получает семейство первого рана. Свойство `tabs` FOP-форк не знает — табы = пробелы до дефолтной остановки 1,25 см. Принятая деградация против Word: дрейф вёрстки (18 стр. против 12 на фикстуре), экзотические глифы остаются `.notdef` (аналога `GlyphCoverageNormalizer` нет), first/even-варианты эвристикой. Флаги `renderCharts`/`renderSmartArt`/`errorOn*` — no-op. + ### REST API (`wordpdf-app`, всё package-private кроме `WordPdfApplication`) -- Единственный эндпоинт `POST /api/v1/convert` (multipart-поле `file`, факультативные `renderCharts`/`renderSmartArt` — query или form) → `application/pdf`, `Content-Disposition: attachment; filename*=UTF-8''…`. Проверка `.docx`-расширения — в `ConvertController`; `safeBaseName` в `ConversionService` — единый источник имени для файла, заголовка ответа и PDF-title (разрешены `[\p{L}\p{N} ._-]`, пустое → `document`). +- Единственный эндпоинт `POST /api/v1/convert` (multipart-поле `file`, факультативные `renderCharts`/`renderSmartArt` — query или form) → `application/pdf`, `Content-Disposition: attachment; filename*=UTF-8''…`. Проверка расширений `.docx`/`.doc` — в `ConvertController`; `safeBaseName` в `ConversionService` — единый источник имени для файла, заголовка ответа и PDF-title (разрешены `[\p{L}\p{N} ._-]`, пустое → `document`). Для `.doc` ответ несёт `X-Wordpdf-Degraded: headers-footers-exotic-glyphs` (деградация вёрстки/колонтитулов/экзотических глифов). - Конвертации **сериализованы** однопоточным `ThreadPoolExecutor` (`ConversionService.QUEUE_CAPACITY = 16`, переполнение → 503): ядро мутирует глобальный реестр `PhysicalFonts`. `future.cancel(true)` при таймауте не останавливает FOP мгновенно — осознанный компромисс. -- Ошибки (`ApiExceptionHandler`, тело `{"error": …}`): `ValidationException` → 400; `ConversionFailedException` → 500; `ConversionRejectedException` → 503; `ConversionTimeoutException` (`wordpdf.convert-timeout`, 2m) → 504; `MaxUploadSizeExceededException` → 413; `MissingServletRequestPartException`/`MissingServletRequestParameterException` → 400; `NoResourceFoundException` (неизвестный путь) → 404; catch-all → 500 (подробности только в лог). `ValidationException` — тип ядра `ru.pjandro.wordpdf.ValidationException extends ConversionException` (публичный), валидатор бросает его сам, app-дубликата нет; три app-исключения (`ConversionFailedException`, `ConversionRejectedException`, `ConversionTimeoutException`) — package-private, несут семантику 500/503/504. `doConvert` перехватывает `ValidationException` раньше `ConversionException` — отказ страницы-лимита из конвейера ядра даёт 400, а не 500. Граница: сломанный контейнер (не zip / размер / страницы) → 400, валидный zip с мусором внутри → 500. Валидация до очереди: `WordPdfValidator.validate(docxBytes, options)` (внутри порядок значим: `checkInput` → zip-магик `PK\x03\x04` → `checkPageCount`); тот же метод — вход ядра. +- Ошибки (`ApiExceptionHandler`, тело `{"error": …}`): `ValidationException` → 400; `ConversionFailedException` → 500; `ConversionRejectedException` → 503; `ConversionTimeoutException` (`wordpdf.convert-timeout`, 2m) → 504; `MaxUploadSizeExceededException` → 413; `MissingServletRequestPartException`/`MissingServletRequestParameterException` → 400; `NoResourceFoundException` (неизвестный путь) → 404; catch-all → 500 (подробности только в лог). `ValidationException` — тип ядра `ru.pjandro.wordpdf.ValidationException extends ConversionException` (публичный), валидатор бросает его сам, app-дубликата нет; три app-исключения (`ConversionFailedException`, `ConversionRejectedException`, `ConversionTimeoutException`) — package-private, несут семантику 500/503/504. `doConvert` перехватывает `ValidationException` раньше `ConversionException` — отказ страницы-лимита из конвейера ядра даёт 400, а не 500. Граница: сломанный контейнер (не zip / не OLE2 / размер / страницы) → 400, валидный контейнер с мусором внутри → 500. Валидация до очереди: `WordPdfValidator.validate(docxBytes, options)` (внутри порядок значим: `checkInput` → подпись контейнера (zip `PK\x03\x04` **или** OLE2 `D0 CF 11 E0`) → страницы); тот же метод — вход ядра. - **Ключ доступа**: `ApiKeyFilter` сверяет заголовок `X-API-Key` (`ApiKeyFilter.HEADER`) со свойством `wordpdf.api-key` (env `WORDPDF_API_KEY`, сравнение `MessageDigest.isEqual`). Пустое свойство = аутентификация выключена (dev `java -jar`, тесты). Без ключа открыты `/actuator/**` (HEALTHCHECK) и документация springdoc (`/swagger-ui*`, `/v3/api-docs*`) — матч по пути **без forwarded-contextPath** (`getRequestURI()` минус `getContextPath()`; иначе под `X-Forwarded-Prefix` HEALTHCHECK получил бы 401). 401 пишет сам фильтр (`ApiExceptionHandler` ошибок фильтров не видит). Springdoc в проде **включён**, документация открыта без ключа под `https://pjandro.ru/pdf-converter/swagger-ui.html` (server-URL/swagger-config собираются из `X-Forwarded-*`, `server.forward-headers-strategy=framework` — `native`-клапан Tomcat `X-Forwarded-Prefix` не понимает). Регрессии — `ApiKeyFilterTest#forwardedPrefix_healthStaysOpen`, `ApiKeyFilterTest#docsOpenWithoutKey`. - Лимиты входа задаёт **только конфигурация сервера**: `wordpdf.max-mb`/`wordpdf.max-pages` (env `WORDPDF_MAX_MB`/`WORDPDF_MAX_PAGES`), `@Value` в `ConvertController` с дефолтом-SpEL из `WordPdfSettings` (5 МБ / 100); значение ≤ 0 → `IllegalStateException` на старте; параметрами запроса не переопределяются. Ключи в `application.properties` **не объявлены** — пустое значение затенит SpEL-дефолт. - SPA: вся сеть в `src/api.ts` (компоненты `fetch` не вызывают); ключ в `localStorage` (`wordpdf.api.key`), при 401 очищается, экран `ApiKeyGate` (`UnauthorizedError` — наследник `ApiError`, проверяется раньше); гейт показывается только когда `probeApiKey()` (GET /api/v1/convert → 401 от `ApiKeyFilter`) подтвердил требование ключа — в dev без ключа форма открывается сразу; запросы на `${import.meta.env.BASE_URL}api/...` (vite `base` из `VITE_BASE`, дефолт `/`) — CORS не нужен (dev: vite-proxy → :8080; prod: nginx с префиксом `/pdf-converter/`). @@ -35,7 +41,9 @@ Java2D → PNG 300 dpi (`ChartRenderer.DPI = 300`, `PADDING = 4.0`, растр - `docx4j.convert.out.fo.gsubFeatures=false` — static-блок `WordPdfConverter`. Иначе FO невалиден → `WordLayoutFixups` молча отказывает всем фиксам (без них нет колонок) → FOP падает на `docx4j-baseline`. - `slf4j-simple` обязателен в ядре: без SLF4J-провайдера docx4j пишет «TO HIDE THESE MESSAGES» прямо в PDF (регрессия `noLoggingWarningInPdf`). Приложение исключает его из зависимости ядра — логи ведёт logback. - FOP — форк `org.docx4j:docx4j-fo-renderer*` 2.11-docx4j.2 (пакеты `org.apache.fop.*`); `Fop.Renderers.getRenderer()` возвращает **список** (рендер выбирается по mime `application/pdf`). `docx2fo.xslt` в репозитории нет — он в jar `docx4j-export-fo`. +- Форк FOP вырезал `PageMaster.setupRegions` (в jar нет `layoutmgr/PageMaster*`/`RegionXY`): `area.Page` строит viewport `region-body` как page-area минус **собственные** margin'ы body, `extent` у `region-before`/`region-after` body-регион не уменьшает — в `.doc`-ветке разводка body и колонтитулов только margin'ами `region-body` (регрессия `DocToPdfTest#legacyDoc_bodyClearsHeaderFooterRegions`). Docx-ветку не касается: docx4j сам закладывает высоты колонтитулов в margin'ы мастера. - Страницы в валидаторе = `max(кэш docProps/app.xml, явные разрывы, lastRenderedPageBreak+1)`; explicit = межсекционные `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; JAXB-обход удалён — `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 колонтитулах — только `w:br type="page"`, `pageBreakBefore` — только внутри `pPr` вне `sectPr` (truthy-значения `val`: `null|true|1|on`); на не-zip молчит — подпись проверяет вызывающий. Все отказы — `ValidationException`. +- `.doc`: `checkDocPageCountLightweight` = кэш `SummaryInformation.getPacket().getPageCount()` (Word 97-2003 писал число страниц в OLE2-метаданные; явных разрывов из FIB не извлечь) — тот же stale-cache риск, что и `docProps/app.xml`; `0`/отсутствие пакета → молча. FOP-конфиг `.doc`-ветки — строка с `auto-detect="false"` + `resource://fonts/...` (классы `FOPFontProvider`/`FopConfParser` package-private, JAXB-обход `rendererFonts` к ним не применим). Кэш шрифтов отключён (`FOUserAgent.getFontManager().disableFontCache()` в `renderFo`): дефолт форка — `/.fop/fop-fonts.cache`, а при непригодном `user.home` (null/несуществующий каталог — non-root контейнер без HOME) файл `.fop` в текущем каталоге, `/app` в образе не пишется → 500 на `.doc` (регрессия `DocToPdfTest#legacyDoc_fontCacheNotWrittenToWorkingDir`). - Известный остаток эталона: U+2188/U+218A — глифов нет в OFL-шрифтах бандла, остаются `.notdef` (GNU FreeSerif GPL — не добавляем намеренно). - Внимательно: комментарии в `WordPdfConverter`/`DocxOnOffNormalizer` говорят «docx4j 11.x» — устаревшее число, фактически 17.3.2 (описанное поведение верно). @@ -47,12 +55,12 @@ Java2D → PNG 300 dpi (`ChartRenderer.DPI = 300`, `PADDING = 4.0`, растр |Путь|Назначение| |---|---| -|`wordpdf-core/src/main/java/ru/pjandro/wordpdf/`|публичный API: `WordPdfConverter`, `WordPdfValidator` (перегрузки `checkInput`/`checkPageCount` — `byte[]`, с лимитом/без, и `validate(byte[], ConvertOptions)` — полная цепочка размер → zip-подпись → страницы; без зависимости от docx4j), `ConversionException`, `ValidationException` (наследник — «вход некорректен»), `WordPdfSettings` (константы-дефолты), `ConvertOptions` (record: renderCharts, renderSmartArt, maxMb, maxPages)| +|`wordpdf-core/src/main/java/ru/pjandro/wordpdf/`|публичный API: `WordPdfConverter`, `WordPdfValidator` (перегрузки `checkInput`/`checkPageCount` — `byte[]`, с лимитом/без, `checkDocPageCountLightweight` — OLE2-`.doc`, и `validate(byte[], ConvertOptions)` — полная цепочка размер → подпись контейнера (zip/OLE2) → страницы; без зависимости от docx4j — только POI для `.doc`), `ConversionException`, `ValidationException` (наследник — «вход некорректен»), `WordPdfSettings` (константы-дефолты), `ConvertOptions` (record: renderCharts, renderSmartArt, maxMb, maxPages)| |`…/wordpdf/fonts/`|`BundledFonts` (реестр/выгрузка TTF, `families()`, `FALLBACK_FAMILY`), `BundledFontMapper` (алиасы MS→open-source, self-map, DISPLAY_NAMES, public-хук `bundledFamily`)| -|`…/wordpdf/internal/`|5 байтовых нормализатора + `FopFallbackFonts` (классы `public` — вызываются из родительского пакета; публичные члены только `normalize`/`declare`)| +|`…/wordpdf/internal/`|5 байтовых нормализатора + `FopFallbackFonts` + `DocToPdfRenderer` (ветка `.doc`; классы `public` — вызываются из родительского пакета; публичные члены только `normalize`/`declare`/`render`)| |`…/wordpdf/internal/chart/`|11 классов Java2D-рендера диаграмм/SmartArt в PNG (public только `DrawingPreRenderer`)| |`wordpdf-core/src/main/resources/fonts/`|30 TTF + 3 лицензии — бинарные фикстуры, часть jar| -|`wordpdf-core/src/test/resources/samples/`|11 закоммиченных `.docx`-фикстур (единственные фикстуры)| +|`wordpdf-core/src/test/resources/samples/`|12 закоммиченных фикстур: 11 `.docx` + `legacy-doc.doc` (OLE2, ветка `.doc`)| |`wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/`|REST API (10 классов): `WordPdfApplication` (единственный public), `ConvertController`, `ConversionService` (очередь), `ApiExceptionHandler`, `ApiKeyFilter`, `OpenApiConfig` (`@SecurityScheme` X-API-Key для springdoc) + 4 класса исключений| |`wordpdf-web/src/`|SPA (React 19 + TS + Vite + Tailwind): `api.ts` (вся сеть), `components/` (App, ApiKeyGate, PdfPreview, StatusMessage, DropZone, Logo)| |корневые `Containerfile`, `compose.yml`, `compose.dev.yml`, `gateway/nginx.conf`|образ бэкенда (multi-stage maven:3.9-temurin-21 → temurin-21-jre, non-root, HEALTHCHECK actuator); compose app+web+gateway: web-образ со своим HEALTHCHECK (`wget /`), в обоих compose `depends_on web: condition: service_healthy` (без health web gateway не стартует); прод-compose интерполирует `WORDPDF_MAX_MB:-5`/`WORDPDF_MAX_PAGES:-100`; podman-специфика обоих compose: `x-podman.name_separator_compat` (docker-style имена контейнеров), явные `healthcheck` app/web (дубли Containerfile-HEALTHCHECK — OCI-выгрузка его теряет), зафиксированная подсеть `10.113.0.0/24` gw `10.113.0.1` под резолвер aardvark-dns; два repo-стенда одновременно не поднять (общая подсеть)| @@ -76,7 +84,7 @@ npm run build # (wordpdf-web/) tsc -b && vite build podman-compose -f compose.dev.yml up -d --build # dev-стенд: http://:9011 (0.0.0.0), без ключа, springdoc вкл ``` -Пересоздать 10 фикстур (POI, test scope; `charts-smartart.docx` НЕ генерируется — создана вручную, не перезаписывать): +Пересоздать 10 фикстур (POI, test scope; `charts-smartart.docx` и `legacy-doc.doc` НЕ генерируются — созданы вручную, не перезаписывать): ```bash mvn -pl wordpdf-core test-compile -Dmdep.outputFile=/tmp/cp.txt dependency:build-classpath -q @@ -131,7 +139,7 @@ SSH-пользователи/логины, ни хосты, ни директо - `wordpdf-app/src/main/resources/application.properties` — multipart 100MB (`max-file-size`/`max-request-size` + `file-size-threshold=100MB`, держит файл в памяти; 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). -- Корневой `pom.xml` — все версии зависимостей (в модулях версии не объявлять): docx4j `17.3.2`, slf4j `2.0.20`, JUnit `6.1.3`, PDFBox `3.0.8` (test), POI `5.5.1` (test, только генератор фикстур), 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`. +- Корневой `pom.xml` — все версии зависимостей (в модулях версии не объявлять): docx4j `17.3.2`, slf4j `2.0.20`, JUnit `6.1.3`, PDFBox `3.0.8` (test), POI `5.5.1` (compile в core — `poi-scratchpad`, ветка `.doc`; test — `poi-ooxml`, генератор фикстур), 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`. - Корневой `pmd-ruleset.xml` — ruleset PMD (см. Testing & QA): `category/java/codestyle.xml` минус opinionated-правила, `MethodNamingConventions` с `junit5TestPattern` под underscore-имена регрессий, `TooManyStaticImports` до 12, XPath-правило `LiteralFirstInEquals`, unused-правила из `bestpractices.xml`. - `wordpdf-core/src/main/resources/slf4j-simple.properties` — без него предупреждение лезет в PDF. - `gateway/nginx.conf` — единственный вход: `/api/`, `/swagger-ui`, `/v3/api-docs`, `/actuator` → `app:8080`, остальное → `web:80`; `client_max_body_size 100m` (без директивы upload режется HTML-413 шлюза вместо JSON-ошибки API). `wordpdf-web/nginx.conf` — чистая статика с SPA-fallback, `/api` НЕ проксирует. @@ -150,11 +158,11 @@ SSH-пользователи/логины, ни хосты, ни директо ## Testing & QA - Гейт `maven-pmd-plugin` 3.28.0 (PMD 7.17) на `verify` для обоих модулей, ruleset `pmd-ruleset.xml` (codestyle без opinionated-правил + unused-правила + XPath `LiteralFirstInEquals` — строковый литерал слева в `equals`/`equalsIgnoreCase`; `junit5TestPattern` разрешает underscore-имена регрессий; `includeTests=true` — тесты сканируются). -- 14 тестовых классов / 132 `@Test` (core 11/107, app 3/25). JUnit 6 (`org.junit.jupiter:junit-jupiter`), surefire 3.6.0 с `-Djava.awt.headless=true` в argLine; только `Assertions` (Mockito/AssertJ не использовать, несмотря на test-classpath Boot; в app-тестах допустим inline-Hamcrest `org.hamcrest.Matchers.containsString` в `andExpect`); тестовые классы package-private, зеркалят main-пакеты; только `@Test` (+ единственный `@BeforeAll` — warm-up шрифтов в `GlyphCoverageNormalizerTest`). -- **PDF сравнивается текстом, не растеризацией**: PDFBox 3 (`Loader.loadPDF`) — `PDFTextStripper` для текста (пер-странично `setStartPage/setEndPage`), override `processTextPosition` для шрифта конкретного символа (`fontNameOf`), обход ресурсов страниц для встроенных шрифтов (`EAAAAA+Carlito-Bold`) и счётчика картинок (`imageCount`). Негативные маркеры — регрессии: `assertFalse(text.contains("#"))` (.notdef), `assertFalse(font.startsWith("Helvetica"))`. Текст нормализуется по пробелам (`norm`); в `tableImage_tableAndImage` — полное удаление пробелов (docx4j переносит слова в auto-fit таблицах). +- 15 тестовых классов / 145 `@Test` (core 12/116, app 3/29). JUnit 6 (`org.junit.jupiter:junit-jupiter`), surefire 3.6.0 с `-Djava.awt.headless=true` в argLine; только `Assertions` (Mockito/AssertJ не использовать, несмотря на test-classpath Boot; в app-тестах допустим inline-Hamcrest `org.hamcrest.Matchers.containsString` в `andExpect`); тестовые классы package-private, зеркалят main-пакеты; только `@Test` (+ единственный `@BeforeAll` — warm-up шрифтов в `GlyphCoverageNormalizerTest`). +- **PDF сравнивается текстом, не растеризацией**: PDFBox 3 (`Loader.loadPDF`) — `PDFTextStripper` для текста (пер-странично `setStartPage/setEndPage`), override `processTextPosition` для шрифта конкретного символа (`fontNameOf`), обход ресурсов страниц для встроенных шрифтов (`EAAAAA+Carlito-Bold`) и счётчика картинок (`imageCount`). Негативные маркеры — регрессии: `assertFalse(text.contains("#"))` (.notdef), `assertFalse(font.startsWith("Helvetica"))`. Текст нормализуется по пробелам (`norm`); в `tableImage_tableAndImage` — полное удаление пробелов (docx4j переносит слова в auto-fit таблицах). В `DocToPdfTest` маркер `#` НЕ проверяется: в `.doc`-ветке нет `GlyphCoverageNormalizer`, экзотические глифы легально остаются `.notdef`, а PDFBox «ремонтирует» подмножества установленных в системе шрифтов и извлекает `#` — текст/assertions только по Tinos/Carlito-ранам. - Пиксели (BufferedImage) — только в unit-тестах chart-пейнтеров, допуски 6–10% против эталона Word (`PiePainterTest` аспект h/w=0.585, `assertRatio` отклонение <0.06; `Surface3dPainterTest` `assertRange` ±6 pt для центров силуэта + `assertRatio` допуск 0.10 для геометрических отношений; shading — не допуск, а перцентильные коридоры яркости p5∈[0.74,0.90], median∈[0.90,1.10], p95∈[1.02,1.20]). -- Фикстуры — закоммиченные `samples/*.docx` (11; в тестах не генерировать): core грузит classpath-ресурсом → `byte[]`, PDF для PDFBox — временный файл; app читает `/samples/…` из **test-jar core** (classifier `tests`) → `mvn -pl wordpdf-app` без `-am` не соберётся. In-memory docx — `ZipOutputStream` из литеральных XML или POI в `byte[]`. Ключевые: `too-many-pages` (150 явных разрывов → 151), `stale-cache` (кэш `1` + 110 `lastRenderedPageBreak`), `charts-smartart` (4 растра; SmartArt-одиночка = ровно 2 Image XObject). +- Фикстуры — закоммиченные `samples/*` (12: 11 `.docx` + `legacy-doc.doc`; в тестах не генерировать): core грузит classpath-ресурсом → `byte[]`, PDF для PDFBox — временный файл; app читает `/samples/…` из **test-jar core** (classifier `tests`) → `mvn -pl wordpdf-app` без `-am` не соберётся. In-memory docx — `ZipOutputStream` из литеральных XML или POI в `byte[]`. Ключевые: `too-many-pages` (150 явных разрывов → 151), `stale-cache` (кэш `1` + 110 `lastRenderedPageBreak`), `charts-smartart` (4 растра; SmartArt-одиночка = ровно 2 Image XObject), `legacy-doc.doc` (реальный Word 97-2003: 43 картинки, колонтитулы с PAGE-полем, кэш `Pages=12`). - Юниты нормализаторов работают строками (`rewrite`) + zip'ами из `ZipOutputStream`; обязательные контракты: «нечего менять → тот же массив» (`assertSame` покрыт тестами только у zip-нормализаторов `DocxOnOff`/`SymbolFont`/`StrictOoxml`; у `Field`/`GlyphCoverage` — `rewrite`→`null`) и неприкосновенность частей вне `word/*.xml` (`[Content_Types].xml`). Тесты бьют и в package-private API (`GlyphCoverageNormalizer.split(text, family)`, `ChartSpec.readTitle`). - App-тесты: `@SpringBootTest` + `@AutoConfigureMockMvc` (Boot 4: `org.springframework.boot.webmvc.test.autoconfigure`); три контекста — `ConvertControllerTest` (пустой ключ), `ApiKeyFilterTest` (`properties = "wordpdf.api-key=…"`), `ConvertLimitsTest` (`@TestPropertySource` с лимитами — отдельный класс, не `@Nested`). -- Регрессивные пары (фикс = нормализатор/pre-renderer + юнит + конвертер-тест с фикстурой): `StrictOoxmlNormalizerTest`↔`strictOoxml_convertsNotRejected` (+`pageCount_strictBreaksCountedLightweight` — lightweight против strict), `DocxOnOffNormalizerTest`↔`ruPlain_regularRunsUseRegularFont`, `SymbolFontNormalizerTest`↔`symbolFonts_bulletsAreNotHash`, `FieldNormalizerTest`↔`pageNumbers_recomputedNotCached`, `GlyphCoverageNormalizerTest`↔`exoticGlyphs_drawnNotHash`, `WordPdfValidatorTest`↔`staleCachePageCountRejectedBeforeRender` (+`checkPageCount_limitBoundary` 99/100/101, `pageCount_breaksInsideTablesAreCounted`, `pageCount_continuousSectionsNotCountedLightweight`, `validate_notAZip`↔`inputNotAZip_rejectedBeforeRender`), `BundledFontsTest`↔`ruPlain_emDashEmbeddedNotHelvetica`, `ChartSpecTest`↔автозаголовки, chart-пейнтеры↔`chartsSmartArt_drawingsBecomeImages` (+`drawingToggles_offRemovesRasters`/`drawingToggles_chartsOffSmartArtOn`); `noLoggingWarningInPdf` — регрессия `slf4j-simple`, `pdfTitle_comesFromParameter` — регрессия PDF-title (юнит-партнёра нет). App-регрессии: `requestLimitParams_areIgnored`, `nonPositiveLimits_failStartup`, `unknownPath_notFound`, `concurrentRequests_bothSucceed` (гонка реестра `PhysicalFonts`), `corruptNotAZip_rejected`, `junkInsideValidZip_conversionError`, `nonDocxFilename_rejected`, `oversizedOverCoreLimit_rejected`, `renderFlagsOff_convertsWithoutDrawings`, `cyrillicAndPathInFilename_sanitizedResponseName` (RFC 5987 + path-traversal), `docsOpenWithoutKey`/`forwardedPrefix_healthStaysOpen`/`forwardedPrefix_docsOpenWithoutKey` (открытая документация + матч фильтра без forwarded-contextPath). +- Регрессивные пары (фикс = нормализатор/pre-renderer + юнит + конвертер-тест с фикстурой): `StrictOoxmlNormalizerTest`↔`strictOoxml_convertsNotRejected` (+`pageCount_strictBreaksCountedLightweight` — lightweight против strict), `DocxOnOffNormalizerTest`↔`ruPlain_regularRunsUseRegularFont`, `SymbolFontNormalizerTest`↔`symbolFonts_bulletsAreNotHash`, `FieldNormalizerTest`↔`pageNumbers_recomputedNotCached`, `GlyphCoverageNormalizerTest`↔`exoticGlyphs_drawnNotHash`, `WordPdfValidatorTest`↔`staleCachePageCountRejectedBeforeRender` (+`checkPageCount_limitBoundary` 99/100/101, `pageCount_breaksInsideTablesAreCounted`, `pageCount_continuousSectionsNotCountedLightweight`, `validate_neitherDocxNorDoc`↔`inputNotAZip_rejectedBeforeRender`), `BundledFontsTest`↔`ruPlain_emDashEmbeddedNotHelvetica`, `ChartSpecTest`↔автозаголовки, chart-пейнтеры↔`chartsSmartArt_drawingsBecomeImages` (+`drawingToggles_offRemovesRasters`/`drawingToggles_chartsOffSmartArtOn`), `DocToPdfTest`↔`DocToPdfRenderer` (`legacyDoc_convertsToPdf` — Tinos/Carlito без Helvetica + 43 картинки; `legacyDoc_footersCarryPageNumbers` — инъекция колонтитулов + PAGE; `ole2Junk_rejected`; `legacyDoc_fontCacheNotWrittenToWorkingDir` — кэш шрифтов не в CWD (контейнер: /app не пишется)); `noLoggingWarningInPdf` — регрессия `slf4j-simple`, `pdfTitle_comesFromParameter` — регрессия PDF-title (юнит-партнёра нет). App-регрессии: `requestLimitParams_areIgnored`, `nonPositiveLimits_failStartup`, `unknownPath_notFound`, `concurrentRequests_bothSucceed` (гонка реестра `PhysicalFonts`), `corruptNotAZip_rejected`, `junkInsideValidZip_conversionError`, `nonDocxFilename_rejected`, `oversizedOverCoreLimit_rejected`, `renderFlagsOff_convertsWithoutDrawings`, `cyrillicAndPathInFilename_sanitizedResponseName` (RFC 5987 + path-traversal), `docsOpenWithoutKey`/`forwardedPrefix_healthStaysOpen`/`forwardedPrefix_docsOpenWithoutKey` (открытая документация + матч фильтра без forwarded-contextPath), `legacyDoc_convertsToPdf` (OLE2-развилка валидации ядра + заголовок `X-Wordpdf-Degraded`). - UI-тестов нет; гейт SPA — `npm run build` (tsc -b) + `npm run lint` (oxlint, `.oxlintrc.json`: rules-of-hooks error, only-export-components warn). diff --git a/pom.xml b/pom.xml index 856c635..a50cd26 100644 --- a/pom.xml +++ b/pom.xml @@ -85,6 +85,12 @@ pdfbox ${pdfbox.version} + + + org.apache.poi + poi-scratchpad + ${poi.version} + org.apache.poi diff --git a/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConversionService.java b/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConversionService.java index 770f525..d0c765f 100644 --- a/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConversionService.java +++ b/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConversionService.java @@ -113,6 +113,7 @@ final class ConversionService { } /** + * Тело задачи воркера. Ядро принимает байты — временные файлы не нужны; * имя влияет только на заголовок PDF (параметр {@code title}), потому * санитизировано. @@ -139,7 +140,7 @@ final class ConversionService { /** * Санитизация имени (единый источник для имени файла и Content-Disposition): * без каталога, только буквы/цифры/пробел/ {@code . _ -}, без суффикса - * .docx; пустое после очистки → {@code document}. Кириллица разрешена — + * .docx/.doc; пустое после очистки → {@code document}. Кириллица разрешена — * на Linux это валидное имя файла, и заголовок PDF остаётся читаемым. */ static String safeBaseName(String original) { @@ -147,8 +148,11 @@ final class ConversionService { : original.substring(Math.max(original.lastIndexOf('/'), original.lastIndexOf('\\')) + 1); base = base.replaceAll("[^\\p{L}\\p{N} ._-]", ""); - if (base.toLowerCase(Locale.ROOT).endsWith(".docx")) { - base = base.substring(0, base.length() - ".docx".length()); + String lower = base.toLowerCase(Locale.ROOT); + String suffix = lower.endsWith(".docx") ? ".docx" + : lower.endsWith(".doc") ? ".doc" : null; + if (suffix != null) { + base = base.substring(0, base.length() - suffix.length()); } if (base.isBlank()) { base = "document"; diff --git a/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConvertController.java b/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConvertController.java index 5d9c213..47088ec 100644 --- a/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConvertController.java +++ b/wordpdf-app/src/main/java/ru/pjandro/wordpdf/app/ConvertController.java @@ -12,6 +12,7 @@ import org.springframework.web.bind.annotation.RestController; import org.springframework.beans.factory.annotation.Value; import org.springframework.web.multipart.MultipartFile; import ru.pjandro.wordpdf.ConvertOptions; +import ru.pjandro.wordpdf.WordPdfValidator; import ru.pjandro.wordpdf.WordPdfSettings; import ru.pjandro.wordpdf.ValidationException; @@ -21,11 +22,12 @@ import java.util.Locale; /** * Единственный эндпоинт API: {@code POST /api/v1/convert} — multipart-поле - * {@code file} (.docx) → синхронный ответ байтами PDF. + * {@code file} (.docx или бинарный .doc) → синхронный ответ байтами PDF. * *

Здесь только HTTP-слой: проверка presence/расширения и формирование - * {@code Content-Disposition}; проверка содержимого (zip, размер, страницы) — - * зона {@link ConversionService#validate}. Ошибки в JSON-ответ переводит + * {@code Content-Disposition}; проверка содержимого (подпись контейнера + * zip/OLE2, размер, страницы) — зона {@link WordPdfValidator#validate(byte[], ConvertOptions)}. + * Ошибки в JSON-ответ переводит * {@link ApiExceptionHandler}. Лимиты входа — только конфигурация сервера * (свойства {@code wordpdf.max-mb}/{@code wordpdf.max-pages}, env * {@code WORDPDF_MAX_MB}/{@code WORDPDF_MAX_PAGES}); параметрами запроса @@ -58,11 +60,14 @@ final class ConvertController { this.maxPages = maxPages; } - @Operation(summary = "Конвертировать .docx в PDF", + @Operation(summary = "Конвертировать .docx или .doc в PDF", description = "renderCharts/renderSmartArt/errorOnCharts/errorOnSmartArt — факультативно, " + "по умолчанию настройки ядра; render-флаг приоритетнее error-флага. " + "Лимиты входа (размер/страницы) задаёт только конфигурация сервера " - + "(свойства wordpdf.max-mb/wordpdf.max-pages), параметрами запроса не переопределяются") + + "(свойства wordpdf.max-mb/wordpdf.max-pages), параметрами запроса не переопределяются. " + + ".doc (Word 97-2003) конвертируется с деградацией вёрстки: шрифты — аналоги из бандла, " + + "колонтитулы переносятся, диаграммы — как встроенные превью-изображения; " + + "renderCharts/renderSmartArt/errorOn* на .doc не влияют") @SecurityRequirement(name = OpenApiConfig.SCHEME) @PostMapping( path = "/api/v1/convert", @@ -78,9 +83,10 @@ final class ConvertController { throw new ValidationException("Файл не передан (multipart-поле «file» обязательно)"); } String name = file.getOriginalFilename(); - if (name == null || !name.toLowerCase(Locale.ROOT).endsWith(".docx")) { + if (name == null || !(name.toLowerCase(Locale.ROOT).endsWith(".docx") + || name.toLowerCase(Locale.ROOT).endsWith(".doc"))) { // расширение проверяется здесь: ядро с байтов его не видит - throw new ValidationException("Поддерживается только .docx (без .doc): " + name); + throw new ValidationException("Поддерживаются только .docx и .doc: " + name); } byte[] docxBytes; try { @@ -98,9 +104,15 @@ final class ConvertController { ContentDisposition disposition = ContentDisposition.attachment() .filename(ConversionService.safeBaseName(name) + ".pdf", StandardCharsets.UTF_8) .build(); - return ResponseEntity.ok() + ResponseEntity.BodyBuilder response = ResponseEntity.ok() .contentType(MediaType.APPLICATION_PDF) - .header(HttpHeaders.CONTENT_DISPOSITION, disposition.toString()) - .body(pdf); + .header(HttpHeaders.CONTENT_DISPOSITION, disposition.toString()); + if (name.toLowerCase(Locale.ROOT).endsWith(".doc")) { + // .doc (не .docx): POI HWPF даёт дрейф вёрстки, колонтитулы — + // инъекция в FO-DOM, экзотические глифы остаются .notdef — + // клиент обязан знать о деградации (см. internal.DocToPdfRenderer). + response = response.header("X-Wordpdf-Degraded", "headers-footers-exotic-glyphs"); + } + return response.body(pdf); } } diff --git a/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConvertControllerTest.java b/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConvertControllerTest.java index a0b6d7d..db0c3b3 100644 --- a/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConvertControllerTest.java +++ b/wordpdf-app/src/test/java/ru/pjandro/wordpdf/app/ConvertControllerTest.java @@ -113,6 +113,7 @@ class ConvertControllerTest { .andExpect(content().contentType(MediaType.APPLICATION_PDF)) .andExpect(header().string(HttpHeaders.CONTENT_DISPOSITION, org.hamcrest.Matchers.containsString("filename*=UTF-8''ru-plain.pdf"))) + .andExpect(header().doesNotExist("X-Wordpdf-Degraded")) .andReturn(); byte[] pdf = result.getResponse().getContentAsByteArray(); assertTrue("%PDF".equals(new String(pdf, 0, 4, StandardCharsets.US_ASCII)), @@ -326,14 +327,40 @@ class ConvertControllerTest { @Test void corruptNotAZip_rejected() throws Exception { - // без zip-подписи ZipInputStream молча даёт 0 записей — отсекает - // отдельная проверка magic bytes + // без подписи контейнера (zip для .docx, OLE2 для .doc) лёгкий + // счётчик страниц молчит — отсекает отдельная проверка magic bytes mockMvc.perform(multipart("/api/v1/convert") .file(docx("broken.docx", "это просто текст, не архив" .getBytes(StandardCharsets.UTF_8)))) .andExpect(status().isBadRequest()) .andExpect(jsonPath("$.error", - org.hamcrest.Matchers.containsString("не zip-архив"))); + org.hamcrest.Matchers.containsString("не похоже на .docx или .doc"))); + } + + /** + * Бинарный .doc проходит тот же эндпоинт: расширение принято, ядро + * выбирает POI-ветку по OLE2-магику, ответ несёт заголовок деградации + * X-Wordpdf-Degraded (контракт AGENTS.md); у .docx его нет. + * Регрессия — ConvertController (расширения + заголовок) + + * ConversionService#validate (магик), фикстура /samples/legacy-doc.doc + * (test-jar core). + */ + @Test + void legacyDoc_convertsToPdf() throws Exception { + MvcResult result = mockMvc.perform(multipart("/api/v1/convert") + .file(docx("testDoc.doc", bytes("/samples/legacy-doc.doc")))) + .andExpect(status().isOk()) + .andExpect(content().contentType(MediaType.APPLICATION_PDF)) + .andExpect(header().string(HttpHeaders.CONTENT_DISPOSITION, + org.hamcrest.Matchers.containsString("filename*=UTF-8''testDoc.pdf"))) + .andExpect(header().string("X-Wordpdf-Degraded", + "headers-footers-exotic-glyphs")) + .andReturn(); + byte[] pdf = result.getResponse().getContentAsByteArray(); + assertTrue("%PDF".equals(new String(pdf, 0, 4, StandardCharsets.US_ASCII)), + "тело не начинается с %PDF"); + String text = norm(pdfText(pdf)); + assertTrue(text.contains("Нижний колонтитул"), "нет колонтитула: " + text); } @Test diff --git a/wordpdf-core/pom.xml b/wordpdf-core/pom.xml index c6df595..0f1c23b 100644 --- a/wordpdf-core/pom.xml +++ b/wordpdf-core/pom.xml @@ -37,6 +37,13 @@ slf4j-simple + + + org.apache.poi + poi-scratchpad + + org.junit.jupiter diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java index 5136e2f..a70a622 100644 --- a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java +++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfConverter.java @@ -16,6 +16,7 @@ import ru.pjandro.wordpdf.internal.FieldNormalizer; import ru.pjandro.wordpdf.internal.GlyphCoverageNormalizer; import ru.pjandro.wordpdf.internal.FopFallbackFonts; import ru.pjandro.wordpdf.internal.StrictOoxmlNormalizer; +import ru.pjandro.wordpdf.internal.DocToPdfRenderer; import ru.pjandro.wordpdf.internal.SymbolFontNormalizer; import java.io.ByteArrayInputStream; @@ -54,8 +55,9 @@ public final class WordPdfConverter { } /** - * Конвертирует байты .docx в PDF. Работа с файлами — забота вызывающего - * (файловое API было здесь раньше; ядро пути не принимает). + * Конвертирует байты .docx (или бинарного .doc Word 97-2003 — ветка + * выбирается по магическому байту контейнера) в PDF. Работа с файлами — забота + * вызывающего (файловое API было здесь раньше; ядро пути не принимает). * *

Вход проверяется {@link WordPdfValidator#validate(byte[], ConvertOptions)} до рендера: * {@code null} / размер больше {@link WordPdfSettings#MAX_INPUT_MB} (МБ) / zip-подпись / @@ -114,6 +116,16 @@ public final class WordPdfConverter { */ private static void convertToStream(byte[] rawDocxBytes, String title, ConvertOptions options, OutputStream os) throws Exception { + // 0. Бинарный .doc (Word 97-2003, OLE2-контейнер) — отдельная + // ветка: docx4j его не читает, нормализаторы (все — по zip-частям + // docx) тут бессмысленны. Флаги renderCharts/renderSmartArt/ + // errorOn* для .doc — no-op: диаграмм как c:chart в .doc нет, + // превью встраиваемых объектов приходят картинками через + // PicturesManager (см. internal/DocToPdfRenderer). + if (isOle2(rawDocxBytes)) { + DocToPdfRenderer.render(rawDocxBytes, title, options, os); + return; + } // 1. Маппер шрифтов. Порядок важен: конструктор запускает // обнаружение системных шрифтов, затем бандл-шрифты из jar // регистрируются поверх них (имеют приоритет). @@ -188,4 +200,13 @@ public final class WordPdfConverter { // пакет загружается в память и ничего не закрывает. } } + + /** Магик OLE2 (CFB): {@code D0 CF 11 E0 A1 B1 1A E1} — контейнер .doc. */ + private static boolean isOle2(byte[] bytes) { + return bytes != null && bytes.length >= 8 + && (bytes[0] & 0xFF) == 0xD0 && (bytes[1] & 0xFF) == 0xCF + && (bytes[2] & 0xFF) == 0x11 && (bytes[3] & 0xFF) == 0xE0 + && (bytes[4] & 0xFF) == 0xA1 && (bytes[5] & 0xFF) == 0xB1 + && (bytes[6] & 0xFF) == 0x1A && (bytes[7] & 0xFF) == 0xE1; + } } diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfValidator.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfValidator.java index eec14f2..4397838 100644 --- a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfValidator.java +++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/WordPdfValidator.java @@ -1,5 +1,7 @@ package ru.pjandro.wordpdf; +import org.apache.poi.hwpf.HWPFDocument; +import org.apache.poi.poifs.filesystem.POIFSFileSystem; import javax.xml.stream.XMLInputFactory; import javax.xml.stream.XMLStreamException; import javax.xml.stream.XMLStreamReader; @@ -149,28 +151,85 @@ public final class WordPdfValidator { } /** - * Полная проверка входа: размер → zip-подпись → число страниц. Порядок - * значим: размер — дешёвая, разбор zip без подписи бессмысленен. Лимиты - * берутся из {@link ConvertOptions} (переопределение на вызов, см. - * {@link ConvertOptions#maxMb()}, {@link ConvertOptions#maxPages()}). + * Полная проверка входа: размер → подпись контейнера (zip или OLE2) → + * число страниц. Порядок значим: размер — дешёвая, разбор контейнера без + * подписи бессмысленен. Лимиты берутся из {@link ConvertOptions} + * (переопределение на вызов, см. {@link ConvertOptions#maxMb()}, + * {@link ConvertOptions#maxPages()}). * - *

Проверка zip-подписи отдельным шагом обязательна: + *

Проверка подписи отдельным шагом обязательна: * {@code ZipInputStream.getNextEntry()} на не-zip-потоке возвращает * {@code null} молча, и {@link #checkPageCount(byte[], int)} такой вход - * не отверг бы (оценка «1 страница»). Регрессия — - * {@code WordPdfValidatorTest#validate_notAZip} (на HTTP-границе — + * не отверг бы (оценка «1 страница»). Бинарный .doc — не zip, а OLE2 + * (CFB): для него свой магик и свой счётчик страниц + * ({@link #checkDocPageCountLightweight(byte[], int)}). Регрессия — + * {@code WordPdfValidatorTest#validate_neitherDocxNorDoc} (на HTTP-границе — * {@code ConvertControllerTest#corruptNotAZip_rejected}).

* * @throws ValidationException при {@code null}, превышении {@code options.maxMb()}, - * отсутствии zip-подписи, ошибке разбора zip или превышении {@code options.maxPages()} + * отсутствии подписи контейнера (ни zip, ни OLE2), ошибке разбора + * контейнера или превышении {@code options.maxPages()} */ public static void validate(byte[] docxBytes, ConvertOptions options) throws ValidationException { checkInput(docxBytes, options.maxMb()); - if (docxBytes.length < 4 || docxBytes[0] != 'P' || docxBytes[1] != 'K' - || (docxBytes[2] & 0xFF) != 0x03 || (docxBytes[3] & 0xFF) != 0x04) { - throw new ValidationException("Содержимое не похоже на .docx (не zip-архив)"); + boolean zip = docxBytes.length >= 4 && docxBytes[0] == 'P' && docxBytes[1] == 'K' + && (docxBytes[2] & 0xFF) == 0x03 && (docxBytes[3] & 0xFF) == 0x04; + boolean ole2 = docxBytes.length >= 8 + && (docxBytes[0] & 0xFF) == 0xD0 && (docxBytes[1] & 0xFF) == 0xCF + && (docxBytes[2] & 0xFF) == 0x11 && (docxBytes[3] & 0xFF) == 0xE0 + && (docxBytes[4] & 0xFF) == 0xA1 && (docxBytes[5] & 0xFF) == 0xB1 + && (docxBytes[6] & 0xFF) == 0x1A && (docxBytes[7] & 0xFF) == 0xE1; + if (!zip && !ole2) { + throw new ValidationException("Содержимое не похоже на .docx или .doc (ни zip, ни OLE2)"); + } + try { + if (zip) { + checkPageCount(docxBytes, options.maxPages()); + } else { + checkDocPageCountLightweight(docxBytes, options.maxPages()); + } + } catch (ConversionException e) { + // сломанный OLE2-контейнер — некорректный вход (400), как не-zip в zip-ветке + throw new ValidationException(e.getMessage(), e); + } + } + + /** + * Проверяет число страниц бинарного .doc (Word 97-2003) по кэшу + * {@code SummaryInformation.PageCount} — аналогу {@code docProps/app.xml} + * в docx-пути: Word переписывает его при сохранении, пост-рендерной + * проверки нет осознанно (как в docx-ветке — доверяем кэшу до рендера). + * Кэш пуст или ноль — проверка пропускается (посчитать дёшево нельзя, + * отвергать валидный документ по отсутствию кэша неправильно). + * + * @throws ConversionException при {@code null}, ошибке разбора OLE2 или превышении {@link WordPdfSettings#MAX_PAGES} + */ + public static void checkDocPageCountLightweight(byte[] docBytes) throws ConversionException { + checkDocPageCountLightweight(docBytes, WordPdfSettings.MAX_PAGES); + } + + /** + * То же, что {@link #checkDocPageCountLightweight(byte[])}, с явным + * лимитом страниц (переопределение на вызов, см. {@link ConvertOptions#maxPages()}). + * + * @throws ConversionException при {@code null}, ошибке разбора OLE2 или превышении {@code maxPages} + */ + public static void checkDocPageCountLightweight(byte[] docBytes, int maxPages) throws ConversionException { + if (docBytes == null) { + throw new ConversionException("Не указаны байты входного .doc"); + } + int pages; + try (POIFSFileSystem fs = new POIFSFileSystem(new ByteArrayInputStream(docBytes)); + HWPFDocument hwpf = new HWPFDocument(fs)) { + org.apache.poi.hpsf.SummaryInformation si = hwpf.getSummaryInformation(); + pages = si == null ? 0 : si.getPageCount(); + } catch (IOException | RuntimeException e) { + throw new ConversionException("Не удалось разобрать байты .doc", e); + } + if (pages > maxPages) { + throw new ConversionException("Документ длиннее " + maxPages + + " страниц: получено не менее " + pages); } - checkPageCount(docxBytes, options.maxPages()); } /** Поставщик потока по имени части zip; null — части нет. */ diff --git a/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/DocToPdfRenderer.java b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/DocToPdfRenderer.java new file mode 100644 index 0000000..89fba69 --- /dev/null +++ b/wordpdf-core/src/main/java/ru/pjandro/wordpdf/internal/DocToPdfRenderer.java @@ -0,0 +1,764 @@ +package ru.pjandro.wordpdf.internal; + +import org.apache.fop.apps.FOUserAgent; +import org.apache.fop.apps.Fop; +import org.apache.fop.apps.FopFactory; +import org.apache.fop.apps.MimeConstants; +import org.apache.poi.hwpf.HWPFDocument; +import org.apache.poi.hwpf.converter.FontReplacer; +import org.apache.poi.hwpf.converter.PicturesManager; +import org.apache.poi.hwpf.converter.WordToFoConverter; +import org.apache.poi.hwpf.usermodel.CharacterRun; +import org.apache.poi.hwpf.usermodel.HeaderStories; +import org.apache.poi.hwpf.usermodel.Paragraph; +import org.apache.poi.hwpf.usermodel.PictureType; +import org.apache.poi.hwpf.usermodel.Range; +import org.apache.poi.poifs.filesystem.POIFSFileSystem; +import org.w3c.dom.Document; +import org.w3c.dom.Element; +import org.w3c.dom.Node; +import org.w3c.dom.NodeList; +import ru.pjandro.wordpdf.ConversionException; +import ru.pjandro.wordpdf.ConvertOptions; +import ru.pjandro.wordpdf.fonts.BundledFontMapper; +import ru.pjandro.wordpdf.fonts.BundledFonts; + +import javax.xml.parsers.DocumentBuilderFactory; +import javax.xml.transform.dom.DOMSource; +import javax.xml.transform.sax.SAXResult; + +import java.io.ByteArrayInputStream; +import java.io.IOException; +import java.io.OutputStream; +import java.nio.charset.StandardCharsets; +import java.nio.file.Files; +import java.nio.file.Path; +import java.util.ArrayList; +import java.util.Comparator; +import java.util.List; +import java.util.Locale; +import java.util.stream.Stream; + +/** + * Рендер бинарного .doc (Word 97-2003, OLE2) в PDF: POI HWPF -> XSL-FO -> + * Apache FOP (тот же форк, что в docx-ветке). + * + *

docx4j бинарный формат не читает, HWPF->XWPF конвертера в POI нет — + * поэтому для .doc отдельная ветка: {@link WordToFoConverter} строит FO + * из HWPF-модели напрямую, а колонтитулы (которые POI в FO не пишет) + * дописываются в FO-DOM по {@link HeaderStories}. + * + *

Известная деградация против Word (принята): дрейф вёрстки (FO POI + * беднее docx4j-экспорта), шрифты — бандл-аналоги, колонтитулы — по + * одной (odd) истории на секцию, first/even-варианты — эвристикой + * «непустая история => вариант» (флаги titlePg/evenAndOdd POI не отдаёт). + * Флаги {@code renderCharts}/{@code renderSmartArt} для .doc — no-op: + * диаграмм как {@code c:chart} в .doc нет, превью встраиваемых объектов + * приходят картинками через {@link PicturesManager}. + */ +public final class DocToPdfRenderer { + + private DocToPdfRenderer() { + } + + private static final String FO_NS = "http://www.w3.org/1999/XSL/Format"; + + /** Маркеры полей Word в тексте HWPF-ранов. */ + private static final char FIELD_BEGIN = '\u0013'; + private static final char FIELD_SEPARATOR = '\u0014'; + private static final char FIELD_END = '\u0015'; + /** Маркер конца секции в историях колонтитулов. */ + private static final char SECTION_END = '\u000c'; + /** Конец абзаца / конец ячейки таблицы в тексте HWPF. */ + private static final char PARA_END = '\r'; + private static final char CELL_END = '\u0007'; + + /** Зазор между текстом колонтитула и областью контента. */ + private static final double REGION_GAP_IN = 0.15; + + + /** + * Полный путь .doc -> PDF в поток. Все ошибки — {@link ConversionException}. + * + * @param docBytes байты OLE2 (.doc) + * @param title заголовок PDF (метаданные); {@code null}/пустая — не задаётся + * @param options настройки вызова (для .doc флаги рисования — no-op) + * @param out приёмник байтов PDF + */ + public static void render(byte[] docBytes, String title, ConvertOptions options, + OutputStream out) throws ConversionException { + Path workDir = null; + try { + // init() идемпотентен; restrictToBundled() не нужен — FOP-конфиг + // строится явно (auto-detect="false"), системные шрифты в него не попадают. + BundledFonts.init(); + workDir = Files.createTempDirectory("wordpdf-doc-"); + Path picsDir = Files.createDirectory(workDir.resolve("pics")); + + Document foDoc; + try (POIFSFileSystem fs = new POIFSFileSystem(new ByteArrayInputStream(docBytes)); + HWPFDocument hwpf = new HWPFDocument(fs)) { + + DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance(); + dbf.setNamespaceAware(true); + Document dom = dbf.newDocumentBuilder().newDocument(); + WordToFoConverter converter = new WordToFoConverter(dom); + converter.setFontReplacer(DocToPdfRenderer::replaceFont); + converter.setPicturesManager(new TempPictures(picsDir)); + converter.processDocument(hwpf); + foDoc = converter.getDocument(); + applyDefaultFont(foDoc); + + injectHeadersAndFooters(foDoc, hwpf); + } + + renderFo(foDoc, title, workDir, out); + } catch (ConversionException e) { + throw e; + } catch (Exception e) { + throw new ConversionException("Не удалось конвертировать документ .doc", e); + } finally { + if (workDir != null) { + deleteRecursively(workDir); + } + } + } + + // ==================== Шрифты ==================== + + /** + * Замена шрифта ранa на бандл-аналог: имя из name-таблицы TTF + * regular-варианта (тот же механизм triplet-имён, что в + * {@link FopFallbackFonts}) — FO запрашивает именно его. + */ + private static FontReplacer.Triplet replaceFont(FontReplacer.Triplet t) { + String family = BundledFontMapper.bundledFamily( + t.fontName == null ? "" : t.fontName); + var regular = BundledFonts.regular(family); + if (regular != null) { + t.fontName = regular.getName(); + } + return t; + } + + /** Картинки во временный каталог; FO ссылается на них file:-URI. */ + private static final class TempPictures implements PicturesManager { + private final Path dir; + + TempPictures(Path dir) { + this.dir = dir; + } + + @Override + public String savePicture(byte[] content, PictureType pictureType, + String suggestedName, float widthInches, float heightInches) { + try { + if (content == null || content.length == 0) { + // пустой объект (напр. превью удалённого рисунка) — FOP + // падает на нём с EOFException, ссылка не нужна + return null; + } + String name = suggestedName == null ? "" : + suggestedName.replaceAll("[^A-Za-z0-9._-]", "_"); + if (name.isEmpty()) { + String ext = pictureType == null + ? PictureType.UNKNOWN.getExtension() + : pictureType.getExtension(); + name = "pic-" + java.util.Arrays.hashCode(content) + "." + ext; + } + Path file = dir.resolve(name); + Files.write(file, content); + return file.toUri().toString(); + } catch (IOException e) { + // деградация вместо падения: картинка без ссылки просто исчезнет + return null; + } + } + } + + // ==================== Колонтитулы ==================== + + /** + * POI не пишет колонтитулы в FO. Достаём их из {@link HeaderStories}, + * разбиваем на чанки по секциям (маркер конца секции {@code \u000c}) и + * вставляем в FO-DOM: {@code fo:region-before}/{@code fo:region-after} + * в мастер + {@code fo:static-content} в page-sequence. + */ + private static void injectHeadersAndFooters(Document foDoc, HWPFDocument hwpf) { + NodeList sequences = foDoc.getElementsByTagNameNS(FO_NS, "page-sequence"); + if (sequences.getLength() == 0) { + return; + } + HeaderStories hs = new HeaderStories(hwpf); + // Императивный список: javac 21 не выводит T для List.of/Arrays.asList + // из вложенных дженерик-аргументов (varargs inference). + List>> stories = new ArrayList<>(); + stories.add(chunkBySection(hs.getOddHeaderSubrange(), sequences.getLength())); + stories.add(chunkBySection(hs.getEvenHeaderSubrange(), sequences.getLength())); + stories.add(chunkBySection(hs.getFirstHeaderSubrange(), sequences.getLength())); + stories.add(chunkBySection(hs.getOddFooterSubrange(), sequences.getLength())); + stories.add(chunkBySection(hs.getEvenFooterSubrange(), sequences.getLength())); + stories.add(chunkBySection(hs.getFirstFooterSubrange(), sequences.getLength())); + + // NUMPAGES/SECTIONPAGES -> citation-last по ПОСЛЕДНЕМУ мастеру + // документа: нумерация FOP между page-sequence непрерывна. + String lastMaster = ((Element) sequences.item(sequences.getLength() - 1)) + .getAttribute("master-reference"); + for (int i = 0; i < sequences.getLength(); i++) { + Element seq = (Element) sequences.item(i); + String masterName = seq.getAttribute("master-reference"); + Element master = findMaster(foDoc, masterName); + if (master == null) { + continue; + } + String[] margins = parseMarginShorthand(master); + if (margins == null) { + continue; + } + + // Форк FOP (docx4j-fo-renderer) вырезал PageMaster.setupRegions: + // viewport region-body = page-area минус СОБСТВЕННЫЕ margin'ы + // body, extent'ы region-before/after body не вычитаются. Поэтому + // margin'ы region-body (шортхэнд POI = Word-поля) сохраняются — + // единственная защита от наезда текста на колонтитулы; extent'ы + // регионов только размещают сами колонтитулы. + // Порядок детей simple-page-master: body -> before -> after + // (требование валидации форка). + if (hasText(stories.get(0).get(i))) { + appendRegion(master, "region-before", margins[0], "after"); + insertStaticContent(seq, "xsl-region-before", + blocks(foDoc, stories.get(0).get(i), lastMaster), "margin-bottom"); + } + if (hasText(stories.get(3).get(i))) { + appendRegion(master, "region-after", margins[2], "before"); + insertStaticContent(seq, "xsl-region-after", + blocks(foDoc, stories.get(3).get(i), lastMaster), "margin-top"); + } + + // first/even — эвристика: непустая история => вариант существует. + boolean hasFirst = hasText(stories.get(2).get(i)) || hasText(stories.get(5).get(i)); + boolean hasEven = hasText(stories.get(1).get(i)) || hasText(stories.get(4).get(i)); + if (!hasFirst && !hasEven) { + continue; + } + List variants = new ArrayList<>(); + if (hasFirst) { + Element clone = (Element) master.cloneNode(true); + String name = masterName + "-first"; + clone.setAttribute("master-name", name); + renameRegionFlows(clone, "-first"); + foDoc.getDocumentElement().insertBefore(clone, master.getNextSibling()); + if (hasText(stories.get(2).get(i))) { + insertStaticContent(seq, "xsl-region-before-first", + blocks(foDoc, stories.get(2).get(i), lastMaster), "margin-bottom"); + } + if (hasText(stories.get(5).get(i))) { + insertStaticContent(seq, "xsl-region-after-first", + blocks(foDoc, stories.get(5).get(i), lastMaster), "margin-top"); + } + variants.add(clone); + } + if (hasEven) { + Element clone = (Element) master.cloneNode(true); + String name = masterName + "-even"; + clone.setAttribute("master-name", name); + renameRegionFlows(clone, "-even"); + foDoc.getDocumentElement().insertBefore(clone, master.getNextSibling()); + if (hasText(stories.get(1).get(i))) { + insertStaticContent(seq, "xsl-region-before-even", + blocks(foDoc, stories.get(1).get(i), lastMaster), "margin-bottom"); + } + if (hasText(stories.get(4).get(i))) { + insertStaticContent(seq, "xsl-region-after-even", + blocks(foDoc, stories.get(4).get(i), lastMaster), "margin-top"); + } + variants.add(clone); + } + wrapInPageSequenceMaster(foDoc, master, variants); + } + } + + /** + * История колонтитулов — конкатенация одноимённых историй всех секций; + * конец секции помечен {@code \u000c} в последнем параграфе. Чанков не + * столько, сколько секций — деградация: один чанк раздаётся всем. + */ + private static List> chunkBySection(Range story, int sectionCount) { + List> chunks = new ArrayList<>(); + if (story != null && story.numParagraphs() > 0) { + List current = new ArrayList<>(); + for (int i = 0; i < story.numParagraphs(); i++) { + Paragraph p; + String text; + try { + p = story.getParagraph(i); + text = p.text(); + } catch (RuntimeException e) { + continue; + } + current.add(p); + if (text != null && text.indexOf(SECTION_END) >= 0) { + chunks.add(current); + current = new ArrayList<>(); + } + } + if (!current.isEmpty()) { + chunks.add(current); + } + } + if (chunks.isEmpty()) { + for (int i = 0; i < sectionCount; i++) { + chunks.add(null); + } + } else if (chunks.size() != sectionCount) { + List first = chunks.get(0); + chunks = new ArrayList<>(); + for (int i = 0; i < sectionCount; i++) { + chunks.add(first); + } + } + return chunks; + } + + private static Element findMaster(Document foDoc, String masterName) { + NodeList masters = foDoc.getElementsByTagNameNS(FO_NS, "simple-page-master"); + for (int i = 0; i < masters.getLength(); i++) { + Element m = (Element) masters.item(i); + if (masterName.equals(m.getAttribute("master-name"))) { + return m; + } + } + return null; + } + + /** {@code margin="T R B L"} region-body мастера (шортхэнд POI). */ + private static String[] parseMarginShorthand(Element master) { + Element body = child(master, "region-body"); + if (body == null) { + return null; + } + String margin = body.getAttribute("margin"); + if (margin == null) { + return null; + } + String[] parts = margin.trim().split("\\s+"); + return parts.length == 4 ? parts : null; + } + + /** + * Регион колонтитула: extent = поле страницы, текст прижат к body + * (низ заголовка / верх футера); зазор — маргинами блоков. + */ + private static Element appendRegion(Element master, String kind, String extent, + String displayAlign) { + Element region = master.getOwnerDocument().createElementNS(FO_NS, "fo:" + kind); + region.setAttribute("extent", extent); + region.setAttribute("display-align", displayAlign); + master.appendChild(region); + return region; + } + + /** В master-клоне варианта колонтитулы берутся из своего потока. */ + private static void renameRegionFlows(Element clone, String suffix) { + for (String kind : new String[]{"region-before", "region-after"}) { + Element region = child(clone, kind); + if (region != null) { + region.setAttribute("flow-name", "xsl-" + kind + suffix); + } + } + } + + /** + * Мастер с first/even-вариантами оборачивается в + * {@code fo:page-sequence-master} (на месте); {@code master-reference} + * page-sequence не меняется — он указывает на имя обёртки. + */ + private static void wrapInPageSequenceMaster(Document foDoc, Element master, + List variants) { + String masterName = master.getAttribute("master-name"); + Element psm = foDoc.createElementNS(FO_NS, "fo:page-sequence-master"); + psm.setAttribute("master-name", masterName); + Element alternatives = foDoc.createElementNS(FO_NS, + "fo:repeatable-page-master-alternatives"); + psm.appendChild(alternatives); + for (Element variant : variants) { + String position = variant.getAttribute("master-name").endsWith("-first") + ? "first" : "even"; + alternatives.appendChild(conditionalRef(foDoc, position, + variant.getAttribute("master-name"))); + } + alternatives.appendChild(conditionalRef(foDoc, "rest", masterName)); + master.getParentNode().replaceChild(psm, master); + } + + private static Element conditionalRef(Document foDoc, String position, String masterRef) { + Element ref = foDoc.createElementNS(FO_NS, "fo:conditional-page-master-reference"); + ref.setAttribute("master-reference", masterRef); + ref.setAttribute("page-position", position); + return ref; + } + + /** + * static-content вставляется в page-sequence перед fo:flow; каждый блок + * получает зазор {@code gapAttribute} к области контента (в самих + * регионах padding запрещён XSL 1.1 — FOP валидирует). + */ + private static void insertStaticContent(Element sequence, String flowName, + List content, String gapAttribute) { + if (content.isEmpty()) { + return; + } + Document doc = sequence.getOwnerDocument(); + Element staticContent = doc.createElementNS(FO_NS, "fo:static-content"); + staticContent.setAttribute("flow-name", flowName); + for (Element block : content) { + block.setAttribute(gapAttribute, REGION_GAP_IN + "in"); + staticContent.appendChild(block); + } + Element flow = child(sequence, "flow"); + if (flow == null) { + sequence.appendChild(staticContent); + } else { + sequence.insertBefore(staticContent, flow); + } + } + + // ==================== История -> блоки FO ==================== + + /** Параграфы чанка истории как {@code fo:block}-и; пустой чанк — пустой список. */ + private static List blocks(Document foDoc, List chunk, + String lastMasterName) { + List result = new ArrayList<>(); + if (chunk == null) { + return result; + } + for (Paragraph p : chunk) { + Element block = paragraphBlock(foDoc, p, lastMasterName); + if (block != null && blockHasVisibleContent(block)) { + result.add(block); + } + } + return result; + } + + /** + * Параграф истории как {@code fo:block}: выравнивание, табуляции, раны с + * форматированием и поля (PAGE/NUMPAGES/SECTIONPAGES) из управляющих + * символов текста ранов ({@code \u0013}\u2026{@code \u0014}\u2026{@code \u0015}). + */ + private static Element paragraphBlock(Document doc, Paragraph p, + String lastMasterName) { + Element block = doc.createElementNS(FO_NS, "fo:block"); + block.setAttribute("text-align", switch (p.getJustification()) { + case 1 -> "center"; + case 2 -> "end"; + case 3 -> "justify"; + default -> "start"; + }); + // Наследуемый шрифт блока: fo:page-number — пустой элемент, без + // font-family блока FOP рисует его базовым Helvetica. + var blockFont = firstRunFont(p); + block.setAttribute("font-family", blockFont != null + ? blockFont.getName() + : BundledFonts.regular(BundledFonts.FALLBACK_FAMILY).getName()); + // state-machine полей: 0 — обычный текст, 1 — инструкция, 2 — кэш-результат + StringBuilder instr = new StringBuilder(); + StringBuilder cached = new StringBuilder(); + StringBuilder plain = new StringBuilder(); + int column = 0; + int mode = 0; + for (int j = 0; j < p.numCharacterRuns(); j++) { + CharacterRun cr; + String text; + try { + cr = p.getCharacterRun(j); + text = cr.text(); + } catch (RuntimeException e) { + continue; + } + if (text == null) { + continue; + } + for (int k = 0; k < text.length(); k++) { + char c = text.charAt(k); + if (c == FIELD_BEGIN) { + mode = 1; + instr.setLength(0); + cached.setLength(0); + } else if (c == FIELD_SEPARATOR && mode == 1) { + mode = 2; + } else if (c == FIELD_END && (mode == 1 || mode == 2)) { + emitField(doc, block, instr.toString(), cached.toString(), lastMasterName); + mode = 0; + } else if (mode == 1) { + instr.append(c); + } else if (mode == 2) { + cached.append(c); + } else if (c == '\t') { + column = appendTab(doc, block, plain, column, cr); + } else { + plain.append(c); + } + } + } + if (mode != 0) { + // незакрытое поле: выводим накопленное как обычный текст + plain.append(instr).append(cached); + } + flushText(doc, block, plain.toString(), null); + return block; + } + + /** Распознанные поля — живые FO-элементы; прочие — кэш-текст как есть. */ + private static void emitField(Document doc, Element block, String instruction, + String cachedResult, String lastMasterName) { + String code = instruction.trim().toUpperCase(Locale.ROOT); + if (code.startsWith("PAGE")) { + Element pn = doc.createElementNS(FO_NS, "fo:page-number"); + block.appendChild(pn); + } else if ((code.startsWith("NUMPAGES") || code.startsWith("SECTIONPAGES")) + && lastMasterName != null) { + // нумерация FOP между page-sequence непрерывна — citation-last + // по последнему мастеру = общее число страниц + Element pn = doc.createElementNS(FO_NS, "fo:page-number-citation-last"); + pn.setAttribute("ref-name", lastMasterName); + block.appendChild(pn); + } else { + flushText(doc, block, cachedResult, null); + } + } + + /** + * {@code \t}: FOP-форк не поддерживает свойство {@code tabs}, поэтому + * таб — пробелы до следующей дефолтной Word-остановки (1,25 см). + * Возвращает новую «колонку» (символы до курсора). + */ + private static int appendTab(Document doc, Element block, StringBuilder plain, + int column, CharacterRun cr) { + flushText(doc, block, plain.toString(), null); + plain.setLength(0); + double charIn = charWidthIn(cr); + double step = 1.25 / 2.54; + double x = (column + 1) * charIn; + double target = (Math.floor(x / step) + 1) * step; + int spaces = (int) Math.max(1, Math.ceil((target - x) / charIn)); + flushText(doc, block, " ".repeat(spaces), cr); + return column + 1 + spaces; + } + + /** Приблизительная ширина символа (полширины кегля) в дюймах. */ + private static double charWidthIn(CharacterRun cr) { + double pt = 10.0; + try { + if (cr != null && cr.getFontSize() > 0) { + pt = cr.getFontSize() / 2.0; + } + } catch (RuntimeException e) { + // наследование из стиля — остаётся дефолт + } + return Math.max(0.03, pt * 0.5 / 72.0); + } + + private static void flushText(Document doc, Element block, String text, + CharacterRun cr) { + String cleaned = cleanText(text); + if (cleaned.isEmpty()) { + return; + } + if (cr == null) { + block.appendChild(doc.createTextNode(cleaned)); + return; + } + Element inline = doc.createElementNS(FO_NS, "fo:inline"); + var font = runFont(cr); + if (font != null) { + inline.setAttribute("font-family", font.getName()); + } + int halfPoints = cr.getFontSize(); + inline.setAttribute("font-size", (halfPoints > 0 ? halfPoints / 2.0 : 10.0) + "pt"); + if (cr.isBold()) { + inline.setAttribute("font-weight", "bold"); + } + if (cr.isItalic()) { + inline.setAttribute("font-style", "italic"); + } + if (cr.getUnderlineCode() != 0) { + inline.setAttribute("text-decoration", "underline"); + } + inline.appendChild(doc.createTextNode(cleaned)); + block.appendChild(inline); + } + + /** Шрифт рана -> бандл-аналог (тот же маппинг, что у основного текста). */ + private static org.docx4j.fonts.PhysicalFont runFont(CharacterRun cr) { + String name; + try { + name = cr.getFontName(); + } catch (RuntimeException e) { + return null; + } + String family = BundledFontMapper.bundledFamily(name == null ? "" : name); + return BundledFonts.regular(family); + } + + /** Шрифт первого читаемого рана параграфа (для наследуемого font-family блока). */ + private static org.docx4j.fonts.PhysicalFont firstRunFont(Paragraph p) { + try { + for (int j = 0; j < p.numCharacterRuns(); j++) { + var font = runFont(p.getCharacterRun(j)); + if (font != null) { + return font; + } + } + } catch (RuntimeException e) { + // повреждённый параграф — на fallback вызывающего + } + return null; + } + + /** + * POI пишет маркеры списков {@code fo:inline} без font-family — FOP + * рисует их базовым Helvetica. Проставляем фолбэк-семейство всем + * инлайнам без семейства. + */ + private static void applyDefaultFont(Document foDoc) { + String fallback = BundledFonts.regular(BundledFonts.FALLBACK_FAMILY).getName(); + NodeList inlines = foDoc.getElementsByTagNameNS(FO_NS, "inline"); + for (int i = 0; i < inlines.getLength(); i++) { + Element inline = (Element) inlines.item(i); + if (inline.getAttribute("font-family").isEmpty()) { + inline.setAttribute("font-family", fallback); + } + } + } + + + // ==================== FOP ==================== + + private static void renderFo(Document foDoc, String title, Path baseDir, + OutputStream out) throws Exception { + byte[] config = fopConfig().getBytes(StandardCharsets.UTF_8); + FopFactory fopFactory = FopFactory.newInstance(baseDir.toUri(), + new ByteArrayInputStream(config)); + FOUserAgent ua = fopFactory.newFOUserAgent(); + // Дефолт кэша шрифтов форка — /.fop/fop-fonts.cache, а при + // непригодном user.home (контейнер без HOME) — файл ".fop" в текущем + // каталоге; в образе /app не пишется non-root'ом -> 500 на каждом .doc. + // Кэш бесполезен: auto-detect="false", шрифты объявлены из classpath. + ua.getFontManager().disableFontCache(); + if (title != null && !title.isBlank()) { + ua.setTitle(title); + } + Fop fop = fopFactory.newFop(MimeConstants.MIME_PDF, ua, out); + javax.xml.transform.Transformer transformer = + javax.xml.transform.TransformerFactory.newInstance().newTransformer(); + transformer.transform(new DOMSource(foDoc), new SAXResult(fop.getDefaultHandler())); + } + + /** + * FOP-конфиг: только шрифты бандла (auto-detect="false" — системные в + * рендер не попадают). Triplet-имена — из name-таблиц regular-вариантов, + * как в {@link FopFallbackFonts}; {@code simulate-style="false"} — стили + * настоящие TTF, а не синтез FOP. + */ + private static String fopConfig() { + StringBuilder sb = new StringBuilder( + "" + + ""); + for (String family : BundledFonts.families()) { + var regular = BundledFonts.regular(family); + if (regular == null) { + continue; + } + String tripletName = regular.getName(); + appendFont(sb, regular, "regular", tripletName, "normal", "normal"); + appendFont(sb, BundledFonts.bold(family), "bold", tripletName, "normal", "bold"); + appendFont(sb, BundledFonts.italic(family), "italic", tripletName, "italic", "normal"); + appendFont(sb, BundledFonts.boldItalic(family), "boldItalic", + tripletName, "italic", "bold"); + } + sb.append(""); + return sb.toString(); + } + + private static void appendFont(StringBuilder sb, org.docx4j.fonts.PhysicalFont pf, + String embedMode, String tripletName, + String style, String weight) { + if (pf == null) { + return; + } + sb.append(""); + } + + // ==================== Утилиты DOM ==================== + + private static Element child(Element parent, String localName) { + NodeList children = parent.getChildNodes(); + for (int i = 0; i < children.getLength(); i++) { + Node n = children.item(i); + if (n instanceof Element e && FO_NS.equals(e.getNamespaceURI()) + && localName.equals(e.getLocalName())) { + return e; + } + } + return null; + } + + private static boolean blockHasVisibleContent(Element block) { + if (block.getTextContent() != null && !block.getTextContent().isBlank()) { + return true; + } + return block.getElementsByTagNameNS(FO_NS, "page-number").getLength() > 0 + || block.getElementsByTagNameNS(FO_NS, "page-number-citation-last").getLength() > 0 + || block.getElementsByTagNameNS(FO_NS, "leader").getLength() > 0; + } + + /** Есть ли в чанке хоть один параграф с видимым содержимым. */ + private static boolean hasText(List chunk) { + if (chunk == null) { + return false; + } + for (Paragraph p : chunk) { + try { + for (int j = 0; j < p.numCharacterRuns(); j++) { + String t = p.getCharacterRun(j).text(); + if (t != null && !cleanText(t).isEmpty()) { + return true; + } + } + } catch (RuntimeException e) { + // повреждённый ран — не содержимое + } + } + return false; + } + + private static String cleanText(String t) { + StringBuilder sb = new StringBuilder(t.length()); + for (int i = 0; i < t.length(); i++) { + char c = t.charAt(i); + if (c != PARA_END && c != CELL_END && c != SECTION_END) { + sb.append(c); + } + } + return sb.toString(); + } + + private static void deleteRecursively(Path dir) { + try (Stream walk = Files.walk(dir)) { + walk.sorted(Comparator.reverseOrder()).forEach(p -> { + try { + Files.deleteIfExists(p); + } catch (IOException ignored) { + // temp-файлы: нечего делать при отказе удаления + } + }); + } catch (IOException ignored) { + } + } +} diff --git a/wordpdf-core/src/test/java/ru/pjandro/wordpdf/DocToPdfTest.java b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/DocToPdfTest.java new file mode 100644 index 0000000..9b13cdd --- /dev/null +++ b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/DocToPdfTest.java @@ -0,0 +1,259 @@ +package ru.pjandro.wordpdf; + +import org.apache.pdfbox.Loader; +import org.apache.pdfbox.cos.COSName; +import org.apache.pdfbox.pdmodel.PDDocument; +import org.apache.pdfbox.pdmodel.PDPage; +import org.apache.pdfbox.pdmodel.PDResources; +import org.apache.pdfbox.pdmodel.font.PDFont; +import org.apache.pdfbox.pdmodel.graphics.PDXObject; +import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject; +import org.apache.pdfbox.text.PDFTextStripper; +import org.apache.pdfbox.text.TextPosition; +import org.junit.jupiter.api.Test; + +import java.io.IOException; +import java.io.InputStream; +import java.nio.file.Files; +import java.nio.file.Path; +import java.util.ArrayList; +import java.util.IdentityHashMap; +import java.util.List; +import java.util.Set; +import java.util.TreeSet; + +import static org.junit.jupiter.api.Assertions.*; + +/** + * Конвертация бинарного .doc (Word 97-2003, OLE2) через ветку + * {@code internal.DocToPdfRenderer} (POI HWPF -> XSL-FO -> FOP). + * Фикстура — закоммиченный samples/legacy-doc.doc (создан Word'ом, + * POI .doc не пишет — не перезагенерировать). + * + *

Ассерты только на фактическое содержимое фикстуры и на раны, + * ушедшие в Tinos (аналог Times New Roman): текст ран, ушедших в + * DejaVu-fallback, PDFBox на машинах с установленным DejaVu «чинит» + * по системному шрифту и извлекает «#» — такие строки не ассертятся + * (экзотические глифы фикстуры — принятая деградация .doc-ветки: + * аналога GlyphCoverageNormalizer здесь нет). + */ +class DocToPdfTest { + + private static byte[] sampleBytes(String name) throws IOException { + try (InputStream in = DocToPdfTest.class.getClassLoader() + .getResourceAsStream("samples/" + name)) { + assertNotNull(in, "Нет тестового документа: samples/" + name); + return in.readAllBytes(); + } + } + + private static Path convertPdf(byte[] docBytes, String title) throws IOException { + Path out = Files.createTempFile("converted-doc-", ".pdf"); + Files.write(out, WordPdfConverter.convert(docBytes, title)); + return out; + } + + private static String norm(String s) { + return s.replaceAll("\\s+", ""); + } + + private static String pdfPageText(Path pdf, int page) throws IOException { + try (PDDocument doc = Loader.loadPDF(pdf.toFile())) { + PDFTextStripper stripper = new PDFTextStripper(); + stripper.setStartPage(page); + stripper.setEndPage(page); + return stripper.getText(doc); + } + } + + /** Строка страницы: базовая линия y (от верха страницы, PDFBox YDirAdj) и текст. */ + private record Line(float y, String text) { + } + + /** Непустые строки страницы с базовыми линиями (порядок по позиции). */ + private static List pageLines(Path pdf, int page) throws IOException { + List lines = new ArrayList<>(); + try (PDDocument doc = Loader.loadPDF(pdf.toFile())) { + PDFTextStripper stripper = new PDFTextStripper() { + @Override + protected void writeString(String text, List textPositions) + throws IOException { + super.writeString(text, textPositions); + if (!textPositions.isEmpty() && !norm(text).isEmpty()) { + lines.add(new Line(textPositions.get(0).getYDirAdj(), text)); + } + } + }; + stripper.setStartPage(page); + stripper.setEndPage(page); + stripper.setSortByPosition(true); + stripper.getText(doc); + } + return lines; + } + + /** y базовой линии первой строки, содержащей needle (после norm); null если нет. */ + private static Float lineY(Path pdf, int page, String needle) throws IOException { + String n = norm(needle); + for (Line l : pageLines(pdf, page)) { + if (norm(l.text()).contains(n)) { + return l.y(); + } + } + return null; + } + + /** Максимум y по всем непустым строкам страницы (самая нижняя базовая линия). */ + private static float maxLineY(Path pdf, int page) throws IOException { + float max = Float.MIN_VALUE; + for (Line l : pageLines(pdf, page)) { + max = Math.max(max, l.y()); + } + return max; + } + + /** BaseFont-имена вшитых шрифтов PDF (например "EAAAAA+Tinos-Bold"). */ + private static Set embeddedFontNames(Path pdf) throws IOException { + Set names = new TreeSet<>(); + try (PDDocument doc = Loader.loadPDF(pdf.toFile())) { + for (PDPage page : doc.getPages()) { + PDResources res = page.getResources(); + for (COSName name : res.getFontNames()) { + PDFont font = res.getFont(name); + if (font != null) { + names.add(font.getName()); + } + } + } + } + return names; + } + + /** Число уникальных Image XObject в PDF (наследованные ресурсы — один объект). */ + private static int imageCount(Path pdf) throws IOException { + Set seen = java.util.Collections.newSetFromMap(new IdentityHashMap<>()); + try (PDDocument doc = Loader.loadPDF(pdf.toFile())) { + for (PDPage page : doc.getPages()) { + PDResources res = page.getResources(); + for (COSName name : res.getXObjectNames()) { + PDXObject xo = res.getXObject(name); + if (xo instanceof PDImageXObject) { + seen.add(xo); + } + } + } + } + return seen.size(); + } + + /** + * .doc конвертируется в PDF: текст кириллический, таблицы и картинки + * на месте, шрифт — встроенный Tinos (аналог Times New Roman), + * базовый Helvetica не используется. + * Регрессия — WordPdfConverter#isOle2 + internal.DocToPdfRenderer, + * фикстура samples/legacy-doc.doc. + */ + @Test + void legacyDoc_convertsToPdf() throws Exception { + Path pdf = convertPdf(sampleBytes("legacy-doc.doc"), "testDoc"); + String text; + int pages; + try (PDDocument doc = Loader.loadPDF(pdf.toFile())) { + pages = doc.getNumberOfPages(); + text = norm(new PDFTextStripper().getText(doc)); + } + assertTrue(pages >= 10, "страниц меньше ожидаемого: " + pages); + assertTrue(text.contains("Предметдоговора"), "нет заголовка раздела"); + assertTrue(text.contains("Договорарендыпомещения"), "нет заголовка"); + for (String font : embeddedFontNames(pdf)) { + assertFalse(font.contains("Helvetica"), "базовый шрифт в PDF: " + font); + } + assertTrue(embeddedFontNames(pdf).stream().anyMatch(n -> n.contains("Tinos")), + "нет Tinos (аналога Times New Roman): " + embeddedFontNames(pdf)); + assertTrue(imageCount(pdf) >= 1, "картинок нет"); + } + + /** + * Колонтитулы, которых POI в FO не пишет, дописываются в FO-DOM: + * текст odd-footer («Нижний колонтитул») и номер страницы из PAGE-поля + * на каждой странице. + * Регрессия — DocToPdfRenderer#injectHeadersAndFooters, + * фикстура samples/legacy-doc.doc. + */ + @Test + void legacyDoc_footersCarryPageNumbers() throws Exception { + Path pdf = convertPdf(sampleBytes("legacy-doc.doc"), "testDoc"); + String page1 = norm(pdfPageText(pdf, 1)); + String page5 = norm(pdfPageText(pdf, 5)); + assertTrue(page5.contains("Нижнийколонтитул"), "нет текста футера на стр. 5"); + assertTrue(page1.startsWith("1"), "нет номера страницы на стр. 1: " + + page1.substring(0, Math.min(20, page1.length()))); + assertTrue(page5.contains("5"), "нет номера страницы на стр. 5"); + } + + /** + * Текст body не наезжает на области колонтитулов: заголовок первой + * строки лежит ниже header-региона (extent = верхнее поле 0.7875in = + * 56.7pt), под строкой футера ничего нет. Форк FOP не вычитает + * extent'ы регионов из body-области (area.Page = page-area минус + * собственные margin'ы region-body), поэтому разводка body и + * колонтитулов — только margin'ами region-body; их обнуление + * растягивает body на всю страницу, и текст лезет в колонтитулы. + * Регрессия — DocToPdfRenderer#injectHeadersAndFooters, + * фикстура samples/legacy-doc.doc. + */ + @Test + void legacyDoc_bodyClearsHeaderFooterRegions() throws Exception { + Path pdf = convertPdf(sampleBytes("legacy-doc.doc"), "testDoc"); + Float titleY = lineY(pdf, 1, "Договор аренды"); + assertNotNull(titleY, "нет заголовка на стр. 1"); + assertTrue(titleY > 50f, "заголовок внутри header-региона: y=" + titleY); + Float footerY = lineY(pdf, 1, "Нижний колонтитул"); + assertNotNull(footerY, "нет футера на стр. 1"); + float lowest = maxLineY(pdf, 1); + assertTrue(lowest <= footerY + 1f, + "строка ниже футера: y=" + lowest + " > y футера " + footerY); + } + + /** + * Кэш шрифтов FOP не пишется в текущий каталог: при непригодном user.home + * (контейнер без HOME) дефолт форка — файл ".fop" в CWD, а в образе /app + * не пишется non-root'ом => 500 на каждом .doc. Кэш отключён в renderFo. + * Регрессия — DocToPdfRenderer#renderFo, фикстура samples/legacy-doc.doc. + */ + @Test + void legacyDoc_fontCacheNotWrittenToWorkingDir() throws Exception { + String savedHome = System.getProperty("user.home"); + Path stray = Path.of(".fop"); + Files.deleteIfExists(stray); + System.setProperty("user.home", "/no-such-home-" + System.nanoTime()); + try { + convertPdf(sampleBytes("legacy-doc.doc"), "testDoc"); + assertFalse(Files.exists(stray), "FOP записал кэш шрифтов .fop в рабочий каталог"); + } finally { + if (savedHome == null) { + System.clearProperty("user.home"); + } else { + System.setProperty("user.home", savedHome); + } + Files.deleteIfExists(stray); + } + } + + /** + * OLE2-магик + мусор: и валидатор, и конвертер обязаны отвергнуть + * документ (не молча отдать пустой PDF). + * Регрессия — DocToPdfRenderer#render, WordPdfValidator#checkDocPageCountLightweight. + */ + @Test + void ole2Junk_rejected() { + byte[] junk = new byte[1024]; + byte[] magic = {(byte) 0xD0, (byte) 0xCF, 0x11, (byte) 0xE0, + (byte) 0xA1, (byte) 0xB1, 0x1A, (byte) 0xE1}; + System.arraycopy(magic, 0, junk, 0, magic.length); + assertThrows(ConversionException.class, + () -> WordPdfValidator.checkDocPageCountLightweight(junk)); + assertThrows(ConversionException.class, + () -> WordPdfConverter.convert(junk, "junk")); + } +} diff --git a/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfConverterTest.java b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfConverterTest.java index 0691c28..0756185 100644 --- a/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfConverterTest.java +++ b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfConverterTest.java @@ -449,18 +449,19 @@ class WordPdfConverterTest { } /** - * Вход без zip-подписи — отказ как некорректный вход (ValidationException), - * а не ошибка рендера: вход конвертера прогоняет тот же - * {@link WordPdfValidator#validate(byte[], ConvertOptions)}, что и приложение до очереди. - * Регрессия — WordPdfValidatorTest#validate_notAZip. + * Вход без подписи контейнера (ни zip, ни OLE2) — отказ как некорректный + * вход (ValidationException), а не ошибка рендера: вход конвертера + * прогоняет тот же {@link WordPdfValidator#validate(byte[], ConvertOptions)}, + * что и приложение до очереди. Регрессия — + * WordPdfValidatorTest#validate_neitherDocxNorDoc. */ @Test void inputNotAZip_rejectedBeforeRender() { byte[] junk = {1, 2, 3, 4, 5, 6, 7, 8}; ValidationException ex = assertThrows(ValidationException.class, () -> WordPdfConverter.convert(junk, "junk")); - assertTrue(ex.getMessage().contains("не zip-архив"), - "сообщение должно упоминать zip-подпись: " + ex.getMessage()); + assertTrue(ex.getMessage().contains("не похоже на .docx или .doc"), + "сообщение должно упоминать подписи контейнера: " + ex.getMessage()); } /** diff --git a/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfValidatorTest.java b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfValidatorTest.java index 7d24a95..1c0f91b 100644 --- a/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfValidatorTest.java +++ b/wordpdf-core/src/test/java/ru/pjandro/wordpdf/WordPdfValidatorTest.java @@ -276,12 +276,12 @@ class WordPdfValidatorTest { } @Test - void validate_notAZip() { + void validate_neitherDocxNorDoc() { byte[] junk = {1, 2, 3, 4, 5}; ValidationException ex = assertThrows(ValidationException.class, () -> WordPdfValidator.validate(junk, ConvertOptions.defaults())); - assertTrue(ex.getMessage().contains("не zip-архив"), - "сообщение должно упоминать zip-подпись: " + ex.getMessage()); + assertTrue(ex.getMessage().contains("не похоже на .docx или .doc"), + "сообщение должно упоминать обе подписи контейнера: " + ex.getMessage()); } @Test @@ -332,4 +332,49 @@ class WordPdfValidatorTest { () -> WordPdfValidator.checkPageCount(docx, 3)); assertTrue(ex.getMessage().contains("не менее 4"), ex.getMessage()); } + + /** Фикстура бинарного .doc (закоммичена, создана Word'ом — POI .doc не пишет). */ + private static byte[] legacyDocBytes() throws Exception { + try (var in = WordPdfValidatorTest.class.getClassLoader() + .getResourceAsStream("samples/legacy-doc.doc")) { + assertNotNull(in, "Нет тестового документа: samples/legacy-doc.doc"); + return in.readAllBytes(); + } + } + + /** + * Число страниц .doc — кэш SummaryInformation (для фикстуры 11): + * лимит 10 должен отвергать, 20 — пропускать. + * Регрессия — WordPdfValidator#checkDocPageCountLightweight, + * фикстура samples/legacy-doc.doc. + */ + @Test + void checkDocPageCountLightweight_overLimitRejected() throws Exception { + ConversionException ex = assertThrows(ConversionException.class, + () -> WordPdfValidator.checkDocPageCountLightweight(legacyDocBytes(), 10)); + assertTrue(ex.getMessage().contains("не менее 11"), ex.getMessage()); + } + + @Test + void checkDocPageCountLightweight_underLimitPasses() throws Exception { + byte[] doc = legacyDocBytes(); + assertDoesNotThrow(() -> WordPdfValidator.checkDocPageCountLightweight(doc, 20)); + assertDoesNotThrow(() -> WordPdfValidator.checkDocPageCountLightweight(doc)); + } + + @Test + void checkDocPageCountLightweight_junkRejected() { + byte[] junk = new byte[1024]; + byte[] magic = {(byte) 0xD0, (byte) 0xCF, 0x11, (byte) 0xE0, + (byte) 0xA1, (byte) 0xB1, 0x1A, (byte) 0xE1}; + System.arraycopy(magic, 0, junk, 0, magic.length); + assertThrows(ConversionException.class, + () -> WordPdfValidator.checkDocPageCountLightweight(junk)); + } + + @Test + void checkDocPageCountLightweight_bytesNull() { + assertThrows(ConversionException.class, + () -> WordPdfValidator.checkDocPageCountLightweight((byte[]) null)); + } } diff --git a/wordpdf-core/src/test/resources/samples/legacy-doc.doc b/wordpdf-core/src/test/resources/samples/legacy-doc.doc new file mode 100644 index 0000000..7da8855 Binary files /dev/null and b/wordpdf-core/src/test/resources/samples/legacy-doc.doc differ diff --git a/wordpdf-web/src/api.ts b/wordpdf-web/src/api.ts index 710e932..1817f81 100644 --- a/wordpdf-web/src/api.ts +++ b/wordpdf-web/src/api.ts @@ -66,7 +66,7 @@ export async function convertDocx( // флаг i обязателен; фолбэк — имя исходника с заменой расширения const cd = resp.headers.get('Content-Disposition') ?? '' const m = /filename\*=utf-8''([^;]+)/i.exec(cd) - const filename = m ? decodeURIComponent(m[1]) : file.name.replace(/\.docx$/i, '') + '.pdf' + const filename = m ? decodeURIComponent(m[1]) : file.name.replace(/\.docx?$/i, '') + '.pdf' const blob = await resp.blob() return { blob, filename } } diff --git a/wordpdf-web/src/components/App.tsx b/wordpdf-web/src/components/App.tsx index d24e284..66b0926 100644 --- a/wordpdf-web/src/components/App.tsx +++ b/wordpdf-web/src/components/App.tsx @@ -152,7 +152,7 @@ export default function App() {

Word → PDF

- docx → PDF на docx4j + Apache FOP. Лимиты (файл ≤ 5 МБ, + docx/doc → PDF на docx4j + Apache FOP. Лимиты (файл ≤ 5 МБ, ≤ 100 страниц) задаёт сервер; переопределение из формы убрано.

diff --git a/wordpdf-web/src/components/DropZone.tsx b/wordpdf-web/src/components/DropZone.tsx index de29522..8bef2a2 100644 --- a/wordpdf-web/src/components/DropZone.tsx +++ b/wordpdf-web/src/components/DropZone.tsx @@ -8,7 +8,7 @@ interface Props { } /** - * Зона drag&drop + клик для выбора .docx. Скрытый input[type=file] — + * Зона drag&drop + клик для выбора .docx/.doc. Скрытый input[type=file] — * единственный источник выбора; drop берёт первый файл. */ export default function DropZone({ file, disabled, onSelect }: Props) { @@ -53,7 +53,7 @@ export default function DropZone({ file, disabled, onSelect }: Props) { - Перетащите .docx сюда или нажмите для выбора + Перетащите .docx или .doc сюда или нажмите для выбора {file && ( {file.name} · {(file.size / 1024).toFixed(0)} КБ @@ -62,7 +62,7 @@ export default function DropZone({ file, disabled, onSelect }: Props) { {