17.x приносит WordLayoutFixups (постобработка DOM XSL-FO: columnBreaks, lineBoxAttributes, stripHints и др.) и jeuclid-fop, поэтому начинают работать две вещи, которых не было: формулы m:oMath (на стр. 4 эталона формула молча исчезала) и w:cols/@w:num (две колонки на стр. 9-11). Сходимость текста references/word.docx с экспортом Word 0,848 -> 0,981, средний постраничный пиксельный diff 10,5% -> 7,4%. Что пришлось починить по пути: * docx4j навешивает на fo:inline fox:gsub-features, не объявляя префикс fox. FO становится некорректным XML, WordLayoutFixups не парсит его и молча отказывается от всех фикс, а оставленный хинт docx4j-baseline отвергает уже FOP. Отключаем генерацию через docx4j.convert.out.fo.gsubFeatures=false. * FOP теперь форк org.docx4j:docx4j-fo-renderer*, и его META-INF/services/org.apache.fop.fo.ElementMapping лежит ещё и в docx4j-export-fo: в fat-jar без ServicesResourceTransformer второй файл перезаписывает первый, FOP не узнаёт namespace fo: и падает на UnknownXMLObj. Тесты этого не видят — они идут по classpath. * addPhysicalFont не перезаписывает занятый ключ реестра: системный DejaVuSerif.ttf занимает «dejavu serif» и наш DejaVuSerif-Regular.ttf не регистрировался. BundledFonts.init() чистит реестр до регистрации. * Fop.Renderers.getRenderer() теперь список w:renderer по mime — FopFallbackFonts ищет application/pdf. Em-dash (U+2000-U+2EFF) остался на шрифте ранa, если в нём есть глиф — так же делает Word (в references/word.pdf em-dash нарисован Calibri/Times, DejaVu нет вообще), поэтому тест проверяет «вшитый шрифт, не Helvetica», а не конкретное семейство.
java-word-pdf
Конвертация docx → PDF на чистом Java: docx4j + Apache FOP, без
LibreOffice/Aspose. Шрифты упакованы в jar — конвертация не зависит от
шрифтов, установленных в системе (работает «из коробки» на голом сервере).
Возможности
- Поддержка RU/EN: кириллица и латиница встраиваются в PDF (embedded-подмножества).
- Самодостаточность: TTF выгружаются из jar в временный каталог и регистрируются в docx4j/FOP.
- Частые MS-шрифты подменяются метрически совместимыми open-source аналогами (см. «Шрифты» ниже).
- Клиентская библиотека (
wordpdf-core) и CLI (wordpdf-cli, fat-jar).
Структура
java-word-pdf/
├── wordpdf-core/ библиотека: конвертер, шрифты, маппинг
└── wordpdf-cli/ командная строка (fat-jar через maven-shade)
Ключевые классы (wordpdf-core):
| Класс | Назначение |
|---|---|
ru.pjandro.wordpdf.WordPdfConverter |
публичный API: convert(Path) / convert(Path, Path) |
ru.pjandro.wordpdf.ConversionException |
исключение конвертации |
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.DocxOnOffNormalizer |
нормализация w:val="off"/"on" перед загрузкой |
ru.pjandro.wordpdf.internal.FopFallbackFonts |
декларация fallback-семейства в FOP-конфиге |
Сборка
Требуется Java 17 и Maven.
mvn clean verify # сборка всех модулей + тесты
mvn -pl wordpdf-cli package # только fat-jar CLI
Результат: wordpdf-cli/target/wordpdf-cli-<версия>.jar (fat-jar, все
зависимости внутри).
Использование
CLI
java -jar wordpdf-cli-1.0.0.jar in.docx # рядом создаётся in.pdf
java -jar wordpdf-cli-1.0.0.jar in.docx out.pdf # в указанный файл
java -jar wordpdf-cli-1.0.0.jar a.docx b.docx # пакетно: каждый -> свой .pdf
Коды возврата: 0 — успех, 1 — ошибка использования, 2 — не удалось
конвертировать хотя бы один файл.
Библиотека
import ru.pjandro.wordpdf.WordPdfConverter;
import java.nio.file.Path;
Path pdf = WordPdfConverter.convert(Path.of("doc.docx")); // doc.pdf рядом
WordPdfConverter.convert(Path.of("doc.docx"), Path.of("out.pdf")); // явный выход
Ошибки валидации (не .docx, файл не найден) бросают ConversionException.
Шрифты
В wordpdf-core/src/main/resources/fonts/ упакованы 28 TTF (по 4 начертания
на семейство):
| Семейство | Аналог MS-шрифта |
|---|---|
| Carlito | Calibri |
| Caladea | Cambria |
| Arimo | Arial |
| Tinos | Times New Roman |
| Cousine | Courier New |
| DejaVu Sans / DejaVu Serif | fallback |
BundledFontMapper подставляет метрически совместимые аналоги при конвертации
(Calibri → Carlito и т.д.). Нераспознанные шрифты и символы, не найденные в
шрифте ранa (em-dash «—», кавычки, U+2000–U+2EFF), падают в DejaVu Sans
(гарантированная кириллица). Все шрифты встраиваются в PDF как подмножества.
Лицензии шрифтов
- Arimo, Cousine, Tinos, Carlito, Caladea — SIL OFL 1.1
(см.
fonts/FONT-LICENSE.txt). - DejaVu Sans / DejaVu Serif — SIL OFL 1.1 / Bitstream Vera
(см.
fonts/DejaVu-LICENSE.txt).
Как это работает
docx ──> нормализация байтов ──> docx4j (WordprocessingMLPackage)
──> XSL-FO (XSLT) ──> Apache FOP ──> PDF (embedded-шрифты)
- Байты
.docxнормализуются, пока docx4j не увидел документ:DocxOnOffNormalizer(docx4j теряетw:val="off"/"on"при JAXB-разборе, из-за чего regular-раны могли рендериться жирным курсивом),SymbolFontNormalizer(маркеры из Symbol/Wingdings вместо «#») иFieldNormalizer(поляPAGE/NUMPAGESпересчитываются, а не печатают кэш из docx). - Документ загружается в
WordprocessingMLPackage, привязываетсяBundledFontMapper, диаграммы и SmartArt предварительно растеризуются в PNG (DrawingPreRenderer). - Экспорт в XSL-FO (XSLT-проход +
WordLayoutFixups), затемApache FOPрендерит PDF, встраивая используемые подмножества шрифтов.
Ограничения
- Это не pixel-perfect рендер Word: раскладка, поля и некоторые эффекты приближённые (ограничения FOP/docx4j, а не «мы что-то упустили»).
- Символы U+2000–U+2EFF (em-dash и т.п.) берутся из шрифта ранa, если в нём есть глиф, иначе — из fallback-семейства DejaVu.
- Поддержка таблиц/изображений — базовая (через docx4j/FOP).
Тесты
Тесты используют готовые .docx из wordpdf-core/src/test/resources/samples/
(генерируются POI) и проверяют извлечённый PDFBox'ом текст и встраивание
шрифтов. Запуск: mvn test.