feat: drhider PDF→DOCX conversion (LibreOffice), collision dialog (v1.9)

deploy/drhider/drhider.py

@@ -207,6 +207,8 @@ class TwoPassObfuscator:
         """
         # --- Распаковать ZIP-файлы ---
         files = self._expand_zips(files)
+        # --- Конвертировать PDF → DOCX ---
+        files = self._convert_pdfs_to_docx(files)
 
         try:
             # --- Проход 1: сбор сущностей ---
@@ -236,10 +238,6 @@ class TwoPassObfuscator:
                     pass
                 elif fname in all_docx:
                     obf_content = self._replace_in_docx(all_docx[fname])
-                elif fname.endswith('.pdf'):
-                    txt = all_texts.get(fname, '')
-                    obf_content = self._replace_in_text(txt, fname)
-                    fname = fname[:-4] + '.txt'
                 else:
                     txt = all_texts.get(fname, '')
                     obf_content = self._replace_in_text(txt, fname)
@@ -253,6 +251,46 @@ class TwoPassObfuscator:
             self._regex_replacements.clear()
             self._sorted_keys.clear()
 
+    def _convert_pdfs_to_docx(self, files: List[Tuple[str, bytes, str]]) -> List[Tuple[str, bytes, str]]:
+        """Конвертировать PDF в DOCX через LibreOffice. При совпадении имён — _из_pdf."""
+        import subprocess, tempfile
+        result = []
+        existing_names = {f[0] for f in files}
+        for fname, content, ctype in files:
+            if not fname.lower().endswith('.pdf'):
+                result.append((fname, content, ctype))
+                continue
+            try:
+                with tempfile.NamedTemporaryFile(suffix='.pdf', delete=False) as tmp:
+                    tmp.write(content)
+                    pdf_path = tmp.name
+                outdir = tempfile.mkdtemp()
+                subprocess.run(['libreoffice', '--headless', '--convert-to', 'docx',
+                               '--outdir', outdir, pdf_path], timeout=30, capture_output=True)
+                docx_files = [f for f in os.listdir(outdir) if f.endswith('.docx')]
+                if docx_files:
+                    with open(os.path.join(outdir, docx_files[0]), 'rb') as f:
+                        docx_content = f.read()
+                    new_name = fname[:-4] + '.docx'
+                    if new_name in existing_names:
+                        new_name = fname[:-4] + '_из_pdf.docx'
+                    existing_names.add(new_name)
+                    result.append((new_name, docx_content, ctype))
+                else:
+                    log.warning("PDF→DOCX failed for %s", fname)
+                    result.append((fname, content, ctype))
+            except Exception as e:
+                log.warning("PDF→DOCX error for %s: %s", fname, e)
+                result.append((fname, content, ctype))
+            finally:
+                if os.path.exists(pdf_path):
+                    os.unlink(pdf_path)
+                if os.path.exists(outdir):
+                    for f in os.listdir(outdir):
+                        os.unlink(os.path.join(outdir, f))
+                    os.rmdir(outdir)
+        return result
+
     def _expand_zips(self, files: List[Tuple[str, bytes, str]]) -> List[Tuple[str, bytes, str]]:
         """Распаковать ZIP-файлы, заменив их содержимым. Остальные файлы — как есть.
         Защита от ZIP-бомб: ratio + накопительный размер (как в compare/unzip.py)."""

site/services/drhider.py

@@ -207,6 +207,8 @@ class TwoPassObfuscator:
         """
         # --- Распаковать ZIP-файлы ---
         files = self._expand_zips(files)
+        # --- Конвертировать PDF → DOCX ---
+        files = self._convert_pdfs_to_docx(files)
 
         try:
             # --- Проход 1: сбор сущностей ---
@@ -236,10 +238,6 @@ class TwoPassObfuscator:
                     pass
                 elif fname in all_docx:
                     obf_content = self._replace_in_docx(all_docx[fname])
-                elif fname.endswith('.pdf'):
-                    txt = all_texts.get(fname, '')
-                    obf_content = self._replace_in_text(txt, fname)
-                    fname = fname[:-4] + '.txt'
                 else:
                     txt = all_texts.get(fname, '')
                     obf_content = self._replace_in_text(txt, fname)
@@ -253,6 +251,46 @@ class TwoPassObfuscator:
             self._regex_replacements.clear()
             self._sorted_keys.clear()
 
+    def _convert_pdfs_to_docx(self, files: List[Tuple[str, bytes, str]]) -> List[Tuple[str, bytes, str]]:
+        """Конвертировать PDF в DOCX через LibreOffice. При совпадении имён — _из_pdf."""
+        import subprocess, tempfile
+        result = []
+        existing_names = {f[0] for f in files}
+        for fname, content, ctype in files:
+            if not fname.lower().endswith('.pdf'):
+                result.append((fname, content, ctype))
+                continue
+            try:
+                with tempfile.NamedTemporaryFile(suffix='.pdf', delete=False) as tmp:
+                    tmp.write(content)
+                    pdf_path = tmp.name
+                outdir = tempfile.mkdtemp()
+                subprocess.run(['libreoffice', '--headless', '--convert-to', 'docx',
+                               '--outdir', outdir, pdf_path], timeout=30, capture_output=True)
+                docx_files = [f for f in os.listdir(outdir) if f.endswith('.docx')]
+                if docx_files:
+                    with open(os.path.join(outdir, docx_files[0]), 'rb') as f:
+                        docx_content = f.read()
+                    new_name = fname[:-4] + '.docx'
+                    if new_name in existing_names:
+                        new_name = fname[:-4] + '_из_pdf.docx'
+                    existing_names.add(new_name)
+                    result.append((new_name, docx_content, ctype))
+                else:
+                    log.warning("PDF→DOCX failed for %s", fname)
+                    result.append((fname, content, ctype))
+            except Exception as e:
+                log.warning("PDF→DOCX error for %s: %s", fname, e)
+                result.append((fname, content, ctype))
+            finally:
+                if os.path.exists(pdf_path):
+                    os.unlink(pdf_path)
+                if os.path.exists(outdir):
+                    for f in os.listdir(outdir):
+                        os.unlink(os.path.join(outdir, f))
+                    os.rmdir(outdir)
+        return result
+
     def _expand_zips(self, files: List[Tuple[str, bytes, str]]) -> List[Tuple[str, bytes, str]]:
         """Распаковать ZIP-файлы, заменив их содержимым. Остальные файлы — как есть."""
         result = []

site/templates/drhider.html

@@ -84,7 +84,7 @@
   <a href="https://contractor.pythonk8s.services.ngcloud.ru/">Сверка договоров</a>
   <span class="sep">|</span>
   <strong>DrHider</strong>
-  <span style="font-size:11px;color:var(--muted);">v1.8</span>
+  <span style="font-size:11px;color:var(--muted);">v1.9</span>
   <button class="help-btn" onclick="openModal()" title="О сервисе">?</button>
 </header>
 
@@ -123,7 +123,7 @@
       <h3>✅ Форматы файлов</h3>
       <ul>
         <li><strong>.docx</strong> — полная замена с сохранением структуры документа. ⚠️ Форматирование (жирный, курсив) заменённых фрагментов может сброситься.</li>
-        <li><strong>.pdf</strong> — текст извлекается и обфусцируется. Результат: <code>.txt</code>. Форматирование, таблицы и графика не сохраняются.</li>
+        <li><strong>.pdf</strong> — конвертируется в .docx (через LibreOffice), затем обфусцируется с сохранением форматирования. При совпадении имён с существующим .docx добавляется суффикс <code>_из_pdf</code>.</li>
         <li><strong>.doc</strong> — бинарный формат, <strong>не обфусцируется</strong>. Файл возвращается как есть. Конвертируйте в .docx перед загрузкой.</li>
         <li><strong>.zip</strong> — автоматически распаковывается, все файлы внутри обрабатываются.</li>
       </ul>
@@ -139,7 +139,7 @@
         <strong>.doc не обрабатывается:</strong> старые Word-файлы возвращаются без изменений.
       </div>
       <div class="warn">
-        <strong>PDF → текст:</strong> таблицы, графика и форматирование теряются.
+        <strong>PDF → DOCX:</strong> конвертация через LibreOffice может незначительно изменить форматирование сложных PDF.
       </div>
       <div class="warn">
         <strong>Сканы/изображения:</strong> текст на картинках не распознаётся (нет OCR).
@@ -211,6 +211,44 @@ function render() {
 
 BTN.onclick = () => {
   if (!files.length) return;
+  // Проверить коллизии PDF→DOCX
+  const collisions = [];
+  const names = files.map(f => f.name);
+  files.forEach(f => {
+    if (f.name.toLowerCase().endsWith('.pdf')) {
+      const docxName = f.name.slice(0, -4) + '.docx';
+      if (names.includes(docxName)) {
+        collisions.push({pdf: f.name, docx: docxName});
+      }
+    }
+  });
+  if (collisions.length) {
+    showCollisionModal(collisions);
+    return;
+  }
+  doSubmit();
+};
+
+function showCollisionModal(collisions) {
+  const list = collisions.map(c => `<div style="margin-bottom:4px">📄 <b>${esc(c.pdf)}</b> → <b>${esc(c.docx)}</b> (уже есть)</div>`).join('');
+  document.getElementById('collisionList').innerHTML = list;
+  document.getElementById('collisionOverlay').classList.add('show');
+  window._collisions = collisions;
+}
+
+function closeCollision(skipAll) {
+  document.getElementById('collisionOverlay').classList.remove('show');
+  if (skipAll) {
+    // Удалить PDF-файлы из списка
+    const pdfNames = window._collisions.map(c => c.pdf);
+    files = files.filter(f => !pdfNames.includes(f.name));
+    render();
+  }
+  // В любом случае отправляем (бэкенд сам переименует)
+  setTimeout(doSubmit, 100);
+}
+
+function doSubmit() {
   BTN.disabled = true;
   setStatus('progress', '⏳ Отправка...');
   const xhr = new XMLHttpRequest();
@@ -248,7 +286,24 @@ function fmt(n) { return n>1e6 ? (n/1e6).toFixed(1)+' MB' : n>1e3 ? (n/1e3).toFi
 // ── Модальное окно ─────────────────────────────────────────────
 function openModal() { document.getElementById('modalOverlay').classList.add('show'); }
 function closeModal() { document.getElementById('modalOverlay').classList.remove('show'); }
-document.addEventListener('keydown', e => { if (e.key === 'Escape') closeModal(); });
+// ── Коллизия PDF→DOCX ──────────────────────────────────────────
+document.addEventListener('keydown', e => { if (e.key === 'Escape') closeCollision(true); });
 </script>
+
+<!-- Модальное окно: коллизия PDF→DOCX -->
+<div class="modal-overlay" id="collisionOverlay">
+  <div class="modal" style="max-width:480px">
+    <div class="modal-header">⚠️ Конфликт имён</div>
+    <div class="modal-body">
+      <p style="margin-bottom:10px">PDF-файлы конвертируются в DOCX. Имена совпадают:</p>
+      <div id="collisionList" style="margin-bottom:12px"></div>
+      <p style="font-size:12px;color:var(--muted)">«Перезаписать» — PDF-файл заменит DOCX.<br>«Пропустить» — PDF будут удалены из списка.</p>
+    </div>
+    <div style="display:flex;gap:8px;padding:12px 16px;border-top:1px solid var(--brand-gray)">
+      <button class="btn" onclick="closeCollision(true)" style="flex:1">Пропустить PDF</button>
+      <button class="btn btn-primary" onclick="closeCollision(false)" style="flex:1">Перезаписать</button>
+    </div>
+  </div>
+</div>
 </body>
 </html>

site/templates/index.html

@@ -73,7 +73,7 @@
 <body>
 <div class="topbar">
   <img src="/static/logo.svg" alt="Nubes">
-  <span class="title">Сверка договоров — LLM AI-driven Event Sourcing <span style="font-weight:400;color:var(--muted);font-size:12px;">v1.0.195-flask</span></span>
+  <span class="title">Сверка договоров — LLM AI-driven Event Sourcing <span style="font-weight:400;color:var(--muted);font-size:12px;">v1.0.196-flask</span></span>
   <div id="pipelineStepper" style="display:flex;gap:8px;font-size:11px;align-items:center;color:var(--muted);">
     <span id="stepUpload">○ Загрузка</span><span>→</span>
     <span id="stepClassify">○ Классификация</span><span>→</span>