ae31f27a27
Знак без глифа в шрифте ранa FOP рисовал .notdef — в эталонном references/word.docx таких оставалось 28. - Noto Naskh Arabic и Noto Sans Armenian (SIL OFL, 278 КБ) в бандле: FontFallback.selectCovering перебирает весь реестр PhysicalFonts и находит их сам — арабские дополнения и армянские Unicode 16 рисуются без нашего кода. - GlyphCoverageNormalizer режет ран по покрытию глифов и пишет семейство в w:rFonts. Нужен из-за двух дыр docx4j: needsCoverage=false для «латинской» группы (римские цифры U+2150–U+218F) и кэш fallbackByScript на всю группу Юникода (армянские U+058D/U+058E получали DejaVu Serif). - FopFallbackFonts.declare декларирует все бандл-семейства: FOP встраивает только задекларированные, а font-family в FO может запросить любое. В эталоне осталось 2 решёток: U+2188 и U+218A есть только в GNU FreeSerif (GPL-3+ с Font Exception), которого в бандле нет намеренно.
142 lines
7.4 KiB
Markdown
142 lines
7.4 KiB
Markdown
# 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**.
|
||
|
||
```bash
|
||
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
|
||
|
||
```bash
|
||
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
|
||
|
||
```java
|
||
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 30 TTF: 7 текстовых
|
||
семейств по 4 начертания плюс два покрывающих шрифта (только regular):
|
||
|
||
| Семейство | Аналог MS-шрифта |
|
||
|---|---|
|
||
| Carlito | Calibri |
|
||
| Caladea | Cambria |
|
||
| Arimo | Arial |
|
||
| Tinos | Times New Roman |
|
||
| Cousine | Courier New |
|
||
| DejaVu Sans / DejaVu Serif | fallback |
|
||
| Noto Naskh Arabic | арабские дополнения U+07B1–U+08FF |
|
||
| Noto Sans Armenian | армянские знаки Unicode 16 |
|
||
|
||
`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). Знак, которого нет ни в шрифте ранa, ни там, куда
|
||
его отправил docx4j, ищет себе место сам: `GlyphCoverageNormalizer` режет такой
|
||
ран и для каждой части назначает покрывающее семейство — serif-раны в
|
||
**DejaVu Serif**, sans — в **DejaVu Sans**, экзотика — в Noto. 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`).
|
||
- Noto Naskh Arabic, Noto Sans Armenian — **SIL OFL 1.1**
|
||
(см. `fonts/Noto-LICENSE.txt`).
|
||
|
||
## Как это работает
|
||
|
||
```
|
||
docx ──> нормализация байтов ──> docx4j (WordprocessingMLPackage)
|
||
──> XSL-FO (XSLT) ──> Apache FOP ──> PDF (embedded-шрифты)
|
||
```
|
||
|
||
1. Байты `.docx` нормализуются, пока docx4j не увидел документ:
|
||
`DocxOnOffNormalizer` (docx4j теряет `w:val="off"/"on"` при JAXB-разборе,
|
||
из-за чего regular-раны могли рендериться жирным курсивом),
|
||
`SymbolFontNormalizer` (маркеры из Symbol/Wingdings вместо «#») и
|
||
`FieldNormalizer` (поля `PAGE`/`NUMPAGES` пересчитываются, а не печатают
|
||
кэш из docx) и `GlyphCoverageNormalizer` (раны со знаками вне их шрифта).
|
||
2. Документ загружается в `WordprocessingMLPackage`, привязывается
|
||
`BundledFontMapper`, диаграммы и SmartArt предварительно растеризуются
|
||
в PNG (`DrawingPreRenderer`).
|
||
3. Экспорт в XSL-FO (XSLT-проход + `WordLayoutFixups`), затем `Apache FOP`
|
||
рендерит 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.
|
||
- Знаков, которых нет ни в одном шрифте бандла, это не касается: вместо них
|
||
остаётся `.notdef`. В эталонном `references/word.docx` таких два — U+2188 (ↈ)
|
||
и U+218A (↊), они есть только в GNU FreeSerif под GPL, а бандл держится
|
||
целиком на SIL OFL.
|
||
- 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`.
|