Files
java-word-pdf/README.md
T
Pjandro ae31f27a27 Экзотические глифы: решётка «#» вместо .notdef
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.
2026-10-05 22:29:10 +00:00

7.4 KiB
Raw Blame History

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)
  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.