阶段五十六：PDF 语义恢复与四格式转换
复现
.\gradlew.bat build sbom publishLocalBundle :examples:pdfSemanticImport :examples:production :examples:capabilities
powershell -NoProfile -File scripts/verify_local_consumer.ps1
python scripts/verify_pdf_semantic_import.py使用 scripts/requirements-verification.txt 固定的隔离 Python 环境及 Poppler。隔离调用方从本次 build/repository 制品解析；依赖已缓存时可用离线模式生成新的独立构建目录，成功后更新 build/verification/consumer-build-directory.txt。样例位于 examples/build/pdf-semantic-import，独立报告和双渲染位于 build/verification/pdf-semantic-import。
结果与边界
8 项导入行为回归覆盖标题／逐行段落／显式表格／实际图片、原始来源框、默认严格与 IGNORE 损失、精确字体角色映射、网格快照／切字／重叠、真实字符预算、取消、不返回假空文档、逻辑替代文字不覆盖字形、非法小数 Tr 拒绝和转换配置快照。
独立 pypdf 检查源文字；DOCX 验证标准 Heading1、p／p／tbl／p 顺序、真实表格单元格及嵌入媒体；HTML 验证标题／原生表格／图片；Markdown 验证标题及 GFM 表格。四目标均含 ALPHA→EDITED-CELL 的实际编辑，PDF 另由 PDFium 核对真实文字。8×6 原图的每个 RGB 像素及显示尺寸／来源位置准确，导入四项实际损失与预检逐项一致。新隔离 Maven 调用方实际生成 DOCX／HTML／Markdown 并通过内容检查。
源 PDF 与重新布局 PDF 共 2 页，分别由 Poppler 和 PDFium 5.13 渲染，全部查看。重排后流图片紧随表格，源绝对 Y 位置不保留；这是已报告的布局降级，不能将源／目标像素恒等作为恢复验收目标。支持的是内容和明确结构，不是一般文档原版重建。
完整构建、Javadoc、SBOM 和本地 bundle 通过。最终全仓 1,259 项测试通过，失败／错误／跳过均为 0，其中 PDF 适配器 112 项。固定验证工具为 pypdf 6.10.0、pypdfium2 5.13.0、Pillow 12.3.0、python-docx 1.2.0。没有新增生产依赖或刷新视觉基线。全部字体资源必须嵌入静态 TrueType；含未嵌入标准字体的源、旋转／裁剪页和复杂结构不在本次恢复子集。多行原段落、自动网格／多栏识别、合并嵌套恢复及 OCR 不在本阶段范围。
整批交叉回归
编辑与转换批次结束后，从最新本地 bundle 新建隔离调用方，串行执行 17 组独立检查，全部通过：verify_semantic_editing.py、verify_markdown_import.py、verify_html_import.py、verify_document_conversion.py、verify_docx_package_edit.py、verify_docx_style_import.py、verify_pdf_operations.py、verify_pdf_page_editing.py、verify_pdf_object_editing.py、verify_pdf_object_composition.py、verify_pdf_raster.py、verify_pdf_optimization.py、verify_pdf_content_editing.py、verify_pdf_semantic_import.py、verify_web_exports.py、verify_production.py 和 verify_capabilities.py，均位于 scripts/。
本批保持实际源格式／内容、原包未改条目、图像像素、PDF 对象关系、预检／结果损失对账和原子输出检查。生产验证另核对 15 个库、BOM 与 23 个运行组件的实际制品／依赖／许可证／SHA-256。共享规约检查与改动文件的相对链接、隐私扫描及 LF 检查通过。Word 保存／导出仍沿用阶段四十八的未验收边界；离线 Maven 验证不代表远程仓库发布或远程 CI 成功。
不可见锚点的导出／导入兼容修复
2026-10-26 验证发现，普通 PDF 的行内图片／轮廓使用未嵌入 Helvetica 的不可见文字锚点；语义恢复检查全部字体资源，因此会拒绝这一页。现改用既有 PDFBox 依赖中固定的 Liberation Sans 子集，仅用于不可见锚点；正文仍按调用方的字体配置输出。完整和逐页输出共享资源和预算，归档保留显式字体配置。没有新增生产依赖或字体文件，也没有放宽恢复器的字体／结构检查。
回归先确认修复前图片锚点未嵌入、普通锚点未计入字体预算，再验证修复后字体真实嵌入、图片页无正文时仍可输出、跨页复用及同字节字体只计一次；归档路径同步覆盖。完整构建、Javadoc、SBOM、本地 bundle 和新隔离 Maven 调用方通过，全仓 1,374 项测试，失败／错误／跳过均为 0。
隔离调用方新增纯图片页和图片前后带正文两类源 PDF，再各自导入并输出 DOCX／HTML／Markdown／PDF，共 8 个实际转换。scripts/verify_pdf_semantic_import.py 独立检查全部源字体嵌入、8×6 图片每个像素、标准 OOXML／HTML／Markdown 结构及前后文字唯一有序；PDFium 核对无虚假 x 正文，6 个相关 PDF 页双渲染并逐页查看。既有颜色恢复和四格式转换也继续通过。
额外合成矩阵从含完整行内图片的 HTML 直接生成源 PDF，未删图片、替换字体或改写源文件；12 个方向 × 3 种动作共 36 个案例得到 30 个成功输出和 6 个预期严格拒绝，独立检查文字、表格、颜色、图片、链接损失及 WARN／IGNORE 对账，10 个矩阵 PDF 页双渲染并查看。另有真正使用未嵌入可见字体的外部样式 PDF，三种动作仍拒绝，旧目标保持。矩阵原始制品和报告位于忽略目录 build/verification/conversion-matrix/。
回归 verify_document_conversion.py、verify_production.py、verify_capabilities.py、verify_static_forms.py、verify_text_corpus.py 和 verify_streaming_protection.py，以及样例／调用方最终 PDF/A-2b 的 veraPDF 检查。文字语料保持原有提取／选择边界；本修复不提供自动网格识别、轮廓文字恢复或一般 PDF 无损往返，原因及策略见 恢复边界。