DoLuEdu-WordFileParse

Quentin/DoLuEdu-WordFileParse

Fork 0

Commit Graph

Author	SHA1	Message	Date
Quentin	93d070930a	fix(omml2latex): fragmented-function 前缀匹配，修复 sinx 误输出 mrow_visitor 的 _check_fragmented_function_at_position 把所有连续单字母拼成整串后只查整串是否在 MATH_FUNCTIONS，导致 <mi>s</mi><mi>i</mi><mi>n</mi> <mi>x</mi> 输出 'sinx' 而非 '\sin x'。改为前缀匹配（对齐 legacy_adapter._check_fragmented_function_at_level），从最长到最短找已知函数名，只消耗函数名对应字母，其余留给调用方。验证：sinx/cosx/tanx → \sin x/\cos x/\tan x；纯 sin/log、log_2(msub)、 BC 拼接、abc 非函数等场景零回归；test_mixed.docx 130 公式输出不变。	2026-10-15 01:27:13 +08:00
Quentin	d4c2fd1fca	fix(omml2latex): 修复多字母标识符被拆开的问题 OMML2MML 会把 Word 里连写的多字母标识符（线段名 BC、三角形 △ABC、角度 45° 等）拆成相邻的 <mi>/<mn> 元素，原转换器用空格 join 导致 'BC' 被渲染成 'B C'（B×C），'45°' 变成 '4 5°'。三处修复： - mrow_visitor: 连续单字母 <mi> 拼接 - legacy_adapter: <math> 根节点多子元素时连续单字母 <mi> 拼接 - math_strategy: Unicode+字母混合内容按'LaTeX命令后跟字母才加空格'规则 join 回归验证：test_mixed.docx 130 个 OMML 公式，16 个发生变化且全部为正确改善（线段名/角度/三角形/隐式乘法拼接），零误伤。	2026-10-15 01:01:10 +08:00
Quentin	3271fee5cc	init: WordFileParse docx→HTML 解析服务（含 Word EQ 域公式修复）服务：Spring Boot 3.2 + docx4j 8.3.9，POST /api/v3/server_office_file/file/parse 接受 .docx，返回 HTML（公式 → LaTeX，图片 → RustFS 外链）公式支持三类来源： - OMML（Word 2007+ 公式） → Python omml_mathml2latex - MathType OLE 对象 → Ruby mathtype2mathml → MathML → LaTeX - Word EQ 域（老教辅主力） → EqToLatexUtil（本次新增）本次改动： 1. 新增 java-svc/.../core/EqToLatexUtil.java：移植自 jby backend-services office-core，EQ 语法 → LaTeX （\f→\dfrac、\r→\sqrt、\i→\int/\sum/\prod、\s→^{}/_{}、\b→\left\right、 \a→array、\x→\boxed/\overline、\o\al 堆叠、圈码、化学符号、极限、连等式）品牌标记 JBYU* → WPU*，与采集端一致 2. CtoMathFinder：接上 EQ 分支（原为 not-ported 桩），域代码经 EqToLatexUtil.convert 转 LaTeX 写入 eqLatexMap（WPEQNUM 占位符） 3. WordParseUtil.dealPlaceholder：EQ 的 LaTeX 同样加 \( \) 包裹（原先因 WPEQNUM 例外不加包裹，前端/MathJax 不渲染）修前症状：教辅 Word 里分式/方程组/上下标整段丢失（如 {−1/3, 1} 变成 {－，1}）修后实测：46 份教辅 2908 处 EQ 域全部还原，公式总数 2954 处、零未包裹残留安全：application.yml（含 RustFS 密钥）不入库，提供 application.yml.example； OssService 的 @Value 默认密钥已清空	2026-09-29 09:43:13 +08:00

Author

SHA1

Message

Date

Quentin

93d070930a

fix(omml2latex): fragmented-function 前缀匹配，修复 sinx 误输出

mrow_visitor 的 _check_fragmented_function_at_position 把所有连续单字母
拼成整串后只查整串是否在 MATH_FUNCTIONS，导致 <mi>s</mi><mi>i</mi><mi>n</mi>
<mi>x</mi> 输出 'sinx' 而非 '\sin x'。

改为前缀匹配（对齐 legacy_adapter._check_fragmented_function_at_level），
从最长到最短找已知函数名，只消耗函数名对应字母，其余留给调用方。

验证：sinx/cosx/tanx → \sin x/\cos x/\tan x；纯 sin/log、log_2(msub)、
BC 拼接、abc 非函数等场景零回归；test_mixed.docx 130 公式输出不变。

2026-10-15 01:27:13 +08:00

Quentin

d4c2fd1fca

fix(omml2latex): 修复多字母标识符被拆开的问题

OMML2MML 会把 Word 里连写的多字母标识符（线段名 BC、三角形 △ABC、
角度 45° 等）拆成相邻的 <mi>/<mn> 元素，原转换器用空格 join 导致
'BC' 被渲染成 'B C'（B×C），'45°' 变成 '4 5°'。

三处修复：
- mrow_visitor: 连续单字母 <mi> 拼接
- legacy_adapter: <math> 根节点多子元素时连续单字母 <mi> 拼接
- math_strategy: Unicode+字母混合内容按'LaTeX命令后跟字母才加空格'规则 join

回归验证：test_mixed.docx 130 个 OMML 公式，16 个发生变化且全部为
正确改善（线段名/角度/三角形/隐式乘法拼接），零误伤。

2026-10-15 01:01:10 +08:00

Quentin

3271fee5cc

init: WordFileParse docx→HTML 解析服务（含 Word EQ 域公式修复）

服务：Spring Boot 3.2 + docx4j 8.3.9，POST /api/v3/server_office_file/file/parse
      接受 .docx，返回 HTML（公式 → LaTeX，图片 → RustFS 外链）

公式支持三类来源：
- OMML（Word 2007+ 公式）      → Python omml_mathml2latex
- MathType OLE 对象            → Ruby mathtype2mathml → MathML → LaTeX
- Word EQ 域（老教辅主力）      → EqToLatexUtil（本次新增）

本次改动：
1. 新增 java-svc/.../core/EqToLatexUtil.java：
   移植自 jby backend-services office-core，EQ 语法 → LaTeX
   （\f→\dfrac、\r→\sqrt、\i→\int/\sum/\prod、\s→^{}/_{}、\b→\left\right、
     \a→array、\x→\boxed/\overline、\o\al 堆叠、圈码、化学符号、极限、连等式）
   品牌标记 JBYU* → WPU*，与采集端一致
2. CtoMathFinder：接上 EQ 分支（原为 not-ported 桩），域代码经
   EqToLatexUtil.convert 转 LaTeX 写入 eqLatexMap（WPEQNUM 占位符）
3. WordParseUtil.dealPlaceholder：EQ 的 LaTeX 同样加 \( \) 包裹
   （原先因 WPEQNUM 例外不加包裹，前端/MathJax 不渲染）

修前症状：教辅 Word 里分式/方程组/上下标整段丢失（如 {−1/3, 1} 变成 {－，1}）
修后实测：46 份教辅 2908 处 EQ 域全部还原，公式总数 2954 处、零未包裹残留

安全：application.yml（含 RustFS 密钥）不入库，提供 application.yml.example；
      OssService 的 @Value 默认密钥已清空

2026-09-29 09:43:13 +08:00

3 Commits