Конвертер Word в PDF

Современные форматы Office представляют собой OOXML-контейнеры, стандартизированные как ECMA-376 (2006) и ISO/IEC 29500 (2008): файлы .docx, .xlsx и .pptx — это ZIP-архивы, содержащие дерево каталогов Open Packaging Convention (OPC), где тело документа находится в word/document.xml, стили — в word/styles.xml, токены темы — в word/theme/theme1.xml, встроенные медиафайлы — в word/media/, а связи описаны в word/_rels/document.xml.rels. Каждый абзац (w:p), фрагмент (w:r), таблица (w:tbl) и рисунок (w:drawing) несут атрибуты WordprocessingML, отображаемые в дерево страниц фиксированной вёрстки PDF (Adobe PDF 1.7 / ISO 32000-1:2008 или PDF 2.0 / ISO 32000-2:2020). Устаревшие файлы .doc, .xls и .ppt используют формат Compound File Binary (CFB / MS-CFB, изначально Microsoft OLE Structured Storage) — иерархический двоичный контейнер, потоки записей которого требуют специализированного парсера, такого как Apache POI HSSF, antiword или libwpd. Высокоточная конвертация OOXML в PDF требует компоновочного движка, эквивалентного встроенному в Word, Pages или LibreOffice, поскольку приходится обрабатывать десятки граничных случаев: разрывы секций со сменой размера страницы в середине, плавающие текстовые блоки, привязанные к абзацам, SmartArt, пересобираемый из drawingML, OLE-встроенные диапазоны Excel, рендеринг формул через OMML или MathML и формирование сложных письменностей (арабской, индийской, тайской) через HarfBuzz. Промышленные конвертеры поэтому работают на стороне сервера с одним из трёх движков: LibreOffice headless, вызываемый как `soffice --headless --convert-to pdf input.docx` (бесплатный, широкий охват форматов, периодические отклонения вёрстки на специфичных возможностях Word); Microsoft Word в режиме COM-автоматизации на Windows через Word.Application.ExportAsFixedFormat (наивысшая точность для .docx, созданных в Word, но только Windows и с лицензионными ограничениями); или коммерческие SDK, такие как Aspose.Words, Spire.Doc и Syncfusion, поставляющие собственные компоновочные движки. Python-обёртка docx2pdf делегирует Word на Windows и AppleScript-управляемый Word на macOS, предлагая тот же компромисс точности. Обработка шрифтов — наиболее частая причина потери точности. Выходной PDF должен либо встраивать подмножество шрифтов, используемых документом (шрифт PDF Type 0 CID со встроенной программой TrueType, согласно разделу 9.6.5 спецификации PDF), либо подставлять запасной шрифт при рендеринге. Документы, созданные с использованием Calibri, SimSun или MS YaHei, но отрендеренные на Linux-сервере без установленных шрифтов, будут заменены на Liberation Sans или DejaVu, что нарушит позицию переносов и границы переполнения. Соответствие PDF/A-1 (ISO 19005-1) и PDF/A-2 для архивного хранения требует полного встраивания шрифтов, отсутствия прозрачности в /A-1 и ICC-размеченных цветовых пространств. Отслеженные изменения обычно сводятся к принятому состоянию экспортером Word; комментарии могут быть удалены, сохранены как аннотации PDF или напечатаны как сноски в зависимости от параметров экспорта. Потоки изображений пережимаются: растровые изображения проходят через фильтры DCT (JPEG) или Flate в зависимости от прозрачности, а векторные элементы drawingML преобразуются в операторы контент-потока PDF (m, l, c, re, S, f), чтобы оставаться масштабируемыми в выходном файле. Загруженный файл обрабатывается серверным движком конвертации ToolAct и удаляется с сервера сразу после возврата PDF. Этот инструмент не поддерживает .odt в качестве входного формата.

• OOXML-контейнер (ECMA-376 / ISO/IEC 29500): .docx/.xlsx/.pptx — это ZIP, содержащий document.xml, styles.xml, _rels/, media/, theme/ в рамках Open Packaging Convention
• Устаревший формат CFB (MS-CFB): .doc/.xls/.ppt — двоичные потоки OLE Structured Storage, разбираемые такими библиотеками, как Apache POI HSSF или antiword, а не стандартными XML-инструментами
• Движки конвертации: LibreOffice headless (`soffice --headless --convert-to pdf`, бесплатный, ~85–95% точности), Microsoft Word COM InterOp (только Windows, наивысшая точность), Aspose.Words / Spire.Doc / Syncfusion (коммерческие SDK со встроенными компоновочными движками)
• Файлы загружаются в серверный движок конвертации ToolAct и удаляются сразу после возврата PDF; ввод .odt не принимается
• Целевая спецификация PDF: ISO 32000-1:2008 (PDF 1.7) или ISO 32000-2:2020 (PDF 2.0); контент-потоки страниц используют операторы m/l/c/re/S/f для векторных контуров и Do для встроенных XObject-изображений
• Точность шрифтов: шрифты PDF Type 0 CID со встроенными подмножествами TrueType (раздел 9.6.5 спецификации) сохраняют позиционирование глифов CJK; отсутствующие шрифты заменяются на Liberation/DejaVu и нарушают переносы; архивный формат PDF/A (ISO 19005) требует полного встраивания
• Обработка изображений и контента: растры пережимаются через DCT (JPEG) или фильтры Flate, векторный DrawingML перекодируется в операторы PDF, отслеженные изменения сводятся к принятому состоянию, комментарии либо удаляются, либо выводятся как аннотации /Text