javier/r360mx-docs-converter
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

apply_template: rewrite con renumeración de imágenes. Parte del template, copia imágenes source renombradas desde max_tmpl+1, evita colisiones

Browse Source
This commit is contained in:
Javier Braña
2026-05-04 22:06:49 +02:00
parent 55ca3e1625
commit 69e993e5cf
1 changed files with 292 additions and 103 deletions
Download Patch File Download Diff File Expand all files Collapse all files
apply_template.py
+292 -103
View File
@@ -1,20 +1,51 @@
#!/usr/bin/env python3
"""
Aplica plantilla portada.docx a un ENERGY REPORT.
Estrategia: partir del DOCX ORIGINAL (que tiene todas sus imágenes y relaciones intactas)
y reemplazar solo los primeros hijos del body (portada+disclaimer+índice del original)
por los del template. La contraportada del template se añade al final.
Así las imágenes del contenido original mantienen sus relaciones intactas.
Estrategia:
1. Partir del DOCX TEMPLATE como base.
2. Copiar imágenes del DOCX ORIGINAL al template, renombrándolas
desde el último número de imagen del template +1.
3. Actualizar las referencias a imágenes en document.xml y
document.xml.rels para que apunten a los nuevos nombres.
"""
import sys, os, shutil, copy, zipfile, re
import sys, os, zipfile, re, copy
from lxml import etree
w = 'http://schemas.openxmlformats.org/wordprocessingml/2006/main'
# Espacios de nombres OOXML
w = 'http://schemas.openxmlformats.org/wordprocessingml/2006/main'
r = 'http://schemas.openxmlformats.org/officeDocument/2006/relationships'
wp = 'http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing'
a = 'http://schemas.openxmlformats.org/drawingml/2006/main'
pic = 'http://schemas.openxmlformats.org/drawingml/2006/picture'
rel_type_image = 'http://schemas.openxmlformats.org/officeDocument/2006/relationships/image'
def get_xml(path):
with zipfile.ZipFile(path, 'r') as z:
return z.read('word/document.xml')
# ======================================================================
# Funciones auxiliares
# ======================================================================
def parse_xml(content):
return etree.fromstring(content)
def read_zip_entry(z, path):
return z.read(path)
def write_zip_entry(zout, name, content):
zout.writestr(name, content)
def get_image_number(filename):
"""Extrae el número de una imagen tipo 'word/media/image42.png'."""
m = re.search(r'image(\d+)\.', filename)
return int(m.group(1)) if m else 0
def find_max_image_id(z):
"""Encuentra el número de imagen más alto dentro del zip."""
max_id = 0
for name in z.namelist():
n = get_image_number(name)
if n > max_id:
max_id = n
return max_id
def find_content_start(children):
"""Encuentra primer título de contenido real (después del índice)."""
@@ -25,139 +56,297 @@ def find_content_start(children):
sval = style.get(f'{{{w}}}val') if style is not None else ''
texts = child.findall(f'.//{{{w}}}t')
text = ''.join(t.text or '' for t in texts)
if sval == 'Title2Index': found_toc = True; continue
if sval == 'Title2Index':
found_toc = True
continue
if found_toc and sval == 'Title1' and text and (text[0].isdigit() or text[0] in 'IVX'):
if '. ' in text[:6] or text[-1].isdigit(): return i
if '. ' in text[:6] or text[-1].isdigit():
return i
# Fallback
for i, child in enumerate(children):
if child.tag == f'{{{w}}}p':
style = child.find(f'.//{{{w}}}pStyle')
sval = style.get(f'{{{w}}}val') if style is not None else ''
texts = child.findall(f'.//{{{w}}}t')
text = ''.join(t.text or '' for t in texts)
if sval == 'Title1' and text and text[0].isdigit() and '. ' in text[:6]: return i
if sval == 'Title1' and text and text[0].isdigit() and '. ' in text[:6]:
return i
return 69
def collect_image_refs(xml_root):
"""
Escanea el XML y encuentra TODAS las referencias a imágenes:
- wp:extent (tamaño)
- a:blip r:embed (relación)
- pic:blipFill (relleno de imagen)
Devuelve lista de (elemento_blip, rId).
"""
blips = []
nsmap = {'a': a, 'r': r, 'pic': pic, 'wp': wp}
for blip in xml_root.iter(f'{{{a}}}blip'):
rid = blip.get(f'{{{r}}}embed')
if rid:
blips.append((blip, rid))
return blips
# ======================================================================
# Función principal
# ======================================================================
def replace_content(template_path, source_docx_path, output_path):
tmpl_xml = etree.fromstring(get_xml(template_path))
src_xml = etree.fromstring(get_xml(source_docx_path))
"""
Aplica el template al documento fuente y escribe el resultado.
1. Abre template y fuente como zips.
2. Detecta límites en ambos XML (portada, índice, contraportada).
3. Fusiona los bodies: portada+índice del template + contenido del source + contraportada del template.
4. Renombra imágenes del source y actualiza referencias.
5. Escribe el nuevo DOCX.
"""
z_tmpl = zipfile.ZipFile(template_path, 'r')
z_src = zipfile.ZipFile(source_docx_path, 'r')
# ---- Leer XMLs ----
tmpl_xml = parse_xml(read_zip_entry(z_tmpl, 'word/document.xml'))
src_xml = parse_xml(read_zip_entry(z_src, 'word/document.xml'))
tmpl_rel = parse_xml(read_zip_entry(z_tmpl, 'word/_rels/document.xml.rels'))
src_rel = parse_xml(read_zip_entry(z_src, 'word/_rels/document.xml.rels'))
body_tmpl = tmpl_xml.find(f'{{{w}}}body')
body_src = src_xml.find(f'{{{w}}}body')
body_src = src_xml.find(f'{{{w}}}body')
children_tmpl = list(body_tmpl)
children_src = list(body_src)
# ===== DETECTAR LÍMITES =====
# Template
children_src = list(body_src)
# ---- Detectar límites en el template ----
# Índice
tmpl_idx_end = 36
for i, child in enumerate(children_tmpl):
if child.tag == f'{{{w}}}p':
style = child.find(f'.//{{{w}}}pStyle')
sval = style.get(f'{{{w}}}val') if style is not None else ''
if sval == 'TableContentEnd': tmpl_idx_end = i
elif sval == 'Ttulo1' and i > tmpl_idx_end: break
if tmpl_idx_end < 10: tmpl_idx_end = 36
if sval == 'TableContentEnd':
tmpl_idx_end = i
elif sval == 'Ttulo1' and i > tmpl_idx_end:
break
if tmpl_idx_end < 10:
tmpl_idx_end = 36
# Contraportada
tmpl_back = 47
for i, child in enumerate(children_tmpl):
if child.tag == f'{{{w}}}p':
texts = child.findall(f'.//{{{w}}}t')
if 'RENOVABLES 360' in ''.join(t.text or '' for t in texts): tmpl_back = i; break
# Original: dónde empieza el contenido real
if 'RENOVABLES 360' in ''.join(t.text or '' for t in texts):
tmpl_back = i
break
# ---- Detectar dónde empieza el contenido real en el source ----
src_start = find_content_start(children_src)
print(f" Template: índice h. {tmpl_idx_end}, contraportada h. {tmpl_back}")
print(f" Template: índice termina en hijo {tmpl_idx_end}, contraportada en hijo {tmpl_back}")
print(f" Original: contenido real empieza en hijo {src_start}")
# ===== ESTRATEGIA: PARTIR DEL ORIGINAL, REEMPLAZAR PORTADA + AÑADIR CONTRAPORTADA =====
# Construir nuevo body:
# 1. Portada + Disclaimer + Índice del TEMPLATE
# 2. Contenido real del ORIGINAL (desde src_start, sin sectPr)
# 3. Contraportada del TEMPLATE
for child in list(body_tmpl): body_tmpl.remove(child)
# ---- Renombrar imágenes del source ----
max_tmpl_img = find_max_image_id(z_tmpl)
print(f" Max imagen en template: {max_tmpl_img}")
# Mapa: old_rel_path -> new_rel_path (ej: media/image1.png -> media/image5.png)
image_rename_map = {}
# Mapa: old_rId -> new_rId (para actualizar relaciones)
rid_rename_map = {}
# 1. Construir un set de rIds que YA existen en el template
existing_tmpl_rids = set()
for rel in tmpl_rel:
rid = rel.get('Id')
if rid:
existing_tmpl_rids.add(rid)
# 2. Identificar rIds de imágenes en el source
src_rids = {}
for rel in src_rel:
rid = rel.get('Id')
target = rel.get('Target', '').replace('\\', '/')
rel_type = rel.get('Type', '')
if 'image' in rel_type:
src_rids[rid] = target
print(f" Imágenes en source: {len(src_rids)}")
# 3. Generar nuevos nombres y rIds para las imágenes del source
# Debemos evitar colisiones: ni con imágenes del template ni entre imágenes
# del source después de renombrar.
new_rid_counter = 1
all_old_new_rids = {} # old_rId -> new_rId
# Pre-calcular: set de nombres de imagen que ya existen en el template
existing_tmpl_media = set()
for name in z_tmpl.namelist():
if name.startswith('word/media/') and get_image_number(name) > 0:
existing_tmpl_media.add(name)
# Pre-calcular: los nuevos nombres que vamos generando (para evitar colisiones internas)
generated_new_names = set()
# Ordenar por old_num ascendente para consistencia
src_items = []
for old_rid, rel_target in src_rids.items():
old_rel_path = rel_target
if old_rel_path.startswith('..'):
old_rel_path = old_rel_path.replace('../', '')
old_abs = f'word/{old_rel_path}' if not old_rel_path.startswith('word/') else old_rel_path
old_num = get_image_number(old_abs) if old_abs.startswith('word/media/') else 0
src_items.append((old_num, old_rid, old_abs))
src_items.sort()
for old_num, old_rid, old_abs in src_items:
if not old_abs.startswith('word/media/'):
continue
ext = old_abs.rsplit('.', 1)[1]
# Buscar el primer número disponible:
# empezar desde max_tmpl_img + old_num, pero si colisiona, incrementar
candidate_num = max_tmpl_img + old_num
candidate_abs = f'word/media/image{candidate_num}.{ext}'
while candidate_abs in existing_tmpl_media or candidate_abs in generated_new_names:
candidate_num += 1
candidate_abs = f'word/media/image{candidate_num}.{ext}'
new_abs = candidate_abs
new_num = candidate_num
image_rename_map[old_abs] = new_abs
generated_new_names.add(new_abs)
# Generar nuevo rId (evitar colisión con template)
new_rid = f'rIdImage{new_num}'
while new_rid in existing_tmpl_rids:
new_rid_counter += 1
new_rid = f'rIdImage{new_num}_{new_rid_counter}'
all_old_new_rids[old_rid] = new_rid
print(f" {old_abs} -> {new_abs} (rId: {old_rid} -> {new_rid})")
# ---- Fusionar bodies ----
# Vaciar body del template y reconstruirlo:
# [portada+disclaimer+índice del template]
# + [contenido del source (desde src_start)]
# + [contraportada del template]
for child in list(body_tmpl):
body_tmpl.remove(child)
# Portada + índice del template
for child in children_tmpl[:tmpl_idx_end + 1]:
body_tmpl.append(copy.deepcopy(child))
# Contenido del source (sin sectPr)
for child in children_src[src_start:]:
if child.tag != f'{{{w}}}sectPr':
body_tmpl.append(copy.deepcopy(child))
# Contraportada del template
for child in children_tmpl[tmpl_back:]:
body_tmpl.append(copy.deepcopy(child))
# ===== COPIAR ARCHIVOS =====
# Partir del DOCX ORIGINAL (imágenes y relaciones del contenido intactas)
with zipfile.ZipFile(source_docx_path, 'r') as z:
out_data = {item.filename: z.read(item.filename) for item in z.infolist()}
# Añadir archivos del template que no están en el original
with zipfile.ZipFile(template_path, 'r') as z:
for item in z.infolist():
fname = item.filename
if fname not in out_data:
out_data[fname] = z.read(fname)
elif 'media/' in fname:
# Las imágenes del template se añaden con sufijo _tmpl para no colisionar
base, ext = fname.rsplit('.', 1)
new_fname = f"{base}_tmpl.{ext}"
if new_fname not in out_data:
out_data[new_fname] = z.read(fname)
# Reemplazar document.xml
out_data['word/document.xml'] = etree.tostring(tmpl_xml, xml_declaration=True, encoding='UTF-8', standalone=True)
# ===== ACTUALIZAR RELACIONES =====
# Las imágenes del template ahora tienen _tmpl en el nombre
# Necesito actualizar las relaciones del template para que apunten a _tmpl
rels_path = 'word/_rels/document.xml.rels'
if rels_path in out_data:
rels_xml = etree.fromstring(out_data[rels_path])
for rel in rels_xml:
target = rel.get('Target', '')
# Las relaciones de imágenes del template que se sobrescribieron
if target.startswith('media/') and not target.startswith('media/image'):
pass # no hay conflictos con nombres no-numéricos
# Las imágenes numéricas del template están sobrescritas por las del original
# Pero nosotros las copiamos como _tmpl, así que hay que actualizar las relaciones
# SÓLO si la imagen original fue sobrescrita
m = re.match(r'media/(image\d+)\.(\w+)', target)
if m:
img_name = m.group(1)
ext = m.group(2)
# Verificar si esta imagen existe en el original
orig_path = f'word/media/{img_name}.{ext}'
if orig_path not in dict([(i.filename, None) for i in zipfile.ZipFile(source_docx_path, 'r').infolist() if not hasattr(i, 'filename')]):
pass # No fue sobrescrita
# Es más fácil: simplemente cambiar todas las referencias a imágenes
# del template que colisionan a la versión _tmpl
new_target = f'media/{img_name}_tmpl.{ext}'
# Solo cambiamos si existe la versión _tmpl
if f'word/{new_target}' in out_data:
rel.set('Target', new_target)
out_data[rels_path] = etree.tostring(rels_xml, xml_declaration=True, encoding='UTF-8', standalone=True)
# Escribir
# ---- Actualizar referencias de imagen en document.xml ----
# Buscar todos los a:blip y actualizar rId
for blip, old_rid in collect_image_refs(tmpl_xml):
if old_rid in all_old_new_rids:
blip.set(f'{{{r}}}embed', all_old_new_rids[old_rid])
# ---- Construir zip de salida ----
out_data = {}
# 1. Copiar todo el template (base)
for item in z_tmpl.infolist():
out_data[item.filename] = z_tmpl.read(item.filename)
# 2. Copiar imágenes renombradas del source
for old_abs, new_abs in image_rename_map.items():
if old_abs in out_data:
# La imagen del template tiene el mismo nombre -> la renombramos
out_data[new_abs] = z_src.read(old_abs)
else:
# No hay conflicto, copiamos directamente
out_data[new_abs] = z_src.read(old_abs)
# 3. Actualizar document.xml.rels: añadir nuevas relaciones de imagen
rel_root = parse_xml(out_data['word/_rels/document.xml.rels'])
for old_rid, new_rid in all_old_new_rids.items():
# Buscar la relación original en el source
for rel in src_rel:
if rel.get('Id') == old_rid:
target = rel.get('Target', '')
# Actualizar target al nuevo nombre de imagen
old_target_abs = target.replace('../', '')
if not old_target_abs.startswith('word/'):
old_target_abs = f'word/{old_target_abs}'
new_target_abs = image_rename_map.get(old_target_abs, old_target_abs)
# Convertir a ruta relativa desde word/
if new_target_abs.startswith('word/'):
new_target = new_target_abs[5:]
else:
new_target = new_target_abs
# Crear nueva relación
new_rel = copy.deepcopy(rel)
new_rel.set('Id', new_rid)
new_rel.set('Target', new_target)
rel_root.append(new_rel)
break
out_data['word/_rels/document.xml.rels'] = etree.tostring(
rel_root, xml_declaration=True, encoding='UTF-8', standalone=True)
# 4. Actualizar document.xml
out_data['word/document.xml'] = etree.tostring(
tmpl_xml, xml_declaration=True, encoding='UTF-8', standalone=True)
# ---- Escribir ----
with zipfile.ZipFile(output_path, 'w', zipfile.ZIP_DEFLATED) as zout:
for fname, content in out_data.items():
zout.writestr(fname, content)
z_tmpl.close()
z_src.close()
print(f" ✅ Convertido: {output_path}")
return output_path
# ======================================================================
# Entry point
# ======================================================================
if __name__ == "__main__":
if len(sys.argv) < 3:
print("Uso: apply_template.py <documento.docx> <plantilla.docx>")
print("")
print(" Salida: <documento>_r360mx.docx (en el mismo directorio)")
sys.exit(1)
docx_path = sys.argv[1]; template_path = sys.argv[2]
base_dir = os.path.dirname(docx_path)
docx_path = sys.argv[1]
template_path = sys.argv[2]
if not os.path.exists(docx_path):
print(f"❌ No existe: {docx_path}")
sys.exit(1)
if not os.path.exists(template_path):
print(f"❌ No existe: {template_path}")
sys.exit(1)
base_dir = os.path.dirname(os.path.abspath(docx_path))
base_name = os.path.splitext(os.path.basename(docx_path))[0]
output_path = os.path.join(base_dir, f"{base_name}_r360mx.docx")
print(f"📄 Template: {template_path}")
print(f"📄 Documento: {docx_path}")
print(f"📄 Salida: {output_path}")
replace_content(template_path, docx_path, output_path)
print(f"✅ Convertido: {output_path}")
import subprocess
subprocess.Popen(['nextcloudcmd', '--non-interactive', '--user', 'JavierBrana', '--password', '%5qJuIrZ^eoq3rFYU$OpuV2aM', '/home/javi/Nextcloud', 'https://cloud.r360mx.com'], stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL)
print(f"📄 Salida: {output_path}")
print()
replace_content(template_path, docx_path, output_path)