- WordPdfValidator (новый): MAX_INPUT_BYTES/MAX_PAGES, три нижние оценки страниц (кэш app.xml недостоверен — реальный кейс <Pages>1</Pages> при 110 маркерах lastRenderedPageBreak); lightweight zip/StAX-путь. - convert(Path,Path): неполный PDF удаляется при отказе, но только если поток вывода реально открылся (чужой read-only файл не стирается); checkPageCount внутри try — finally чистит temp-файлы шрифтов. - lightweight: continuous-секции не считаются страницами; w:type — дочерний элемент, классификация на закрытии sectPr; мёртвый атрибутный перегруз startsNewPage удалён. - Фикстуры too-many-pages.docx (151 страница) и stale-cache.docx (кэш 1 при 110 маркерах) + регрессии tooManyPages, staleCachePageCountRejectedBeforeRender, inputTooLarge, oversizedInputReturnsError, pageCount_continuousSectionsNotCountedLightweight. - SampleDocxGenerator: точный поиск <w:t (не матчить <w:tbl/<w:tc), константа STALE_CACHE_UNMARKED_RUNS вместо литерала. - AGENTS.md переписан; .gitignore += /diff/ и /word-export.*. mvn clean verify: 95/95; fat-jar проверен java -jar (код 0/2, артефактов нет).
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 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)
- 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) иGlyphCoverageNormalizer(раны со знаками вне их шрифта). - 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.
- Знаков, которых нет ни в одном шрифте бандла, это не касается: вместо них
остаётся
.notdef. В эталонномreferences/word.docxтаких 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.