tiku/tiku-server/app/services/renderer.py

"""pandoc docx → HTML 渲染模块（用于 WebView 展示）"""

import base64
import re
import subprocess
import tempfile
import zipfile
from pathlib import Path


def render_docx_to_html(docx_path: str | Path, include_answer: bool = True) -> str:
    """将 docx 渲染为 HTML

    Args:
        docx_path: docx 文件路径
        include_answer: 是否包含答案区（教师版 True，学生版 False）

    Returns: HTML 片段字符串
    """
    docx_path = Path(docx_path)
    if not docx_path.exists():
        return f"<p>题目文件不存在: {docx_path}</p>"

    try:
        html = _pandoc_convert(docx_path)

        # 后处理
        html = _clean_pandoc_artifacts(html)
        html = _inject_styles(html)

        if not include_answer:
            html = _strip_answer_section(html)

        return html
    except Exception as e:
        return f"<p>渲染失败: {e}</p>"


def render_answer_html(docx_path: str | Path) -> str:
    """仅渲染答案区 HTML"""
    docx_path = Path(docx_path)
    if not docx_path.exists():
        return ""

    # 提取答案区段落的文本
    from docx import Document
    doc = Document(str(docx_path))
    in_answer = False
    answer_texts = []

    for para in doc.paragraphs:
        text = para.text.strip()
        if not text:
            continue
        if text.startswith("【答案】"):
            in_answer = True
        if in_answer:
            answer_texts.append(text)

    if not answer_texts:
        return ""

    return "<br>".join(answer_texts)


def _pandoc_convert(docx_path: Path) -> str:
    """pandoc docx → HTML (MathML)"""
    result = subprocess.run(
        [
            "pandoc", str(docx_path),
            "-t", "html",
            "--mathjax",
            "--no-highlight",
            "--wrap=none",
        ],
        capture_output=True,
        text=True,
        timeout=30,
    )
    if result.returncode != 0:
        raise RuntimeError(f"pandoc 错误: {result.stderr}")

    html = result.stdout

    # 处理图片：提取 docx 内嵌图片 → base64 内嵌到 HTML
    html = _embed_images(html, docx_path)

    # 修复公式：pandoc 将所有公式输出为 display math \[...]
    # 将段落内的短公式转为 inline math \(...)
    html = _fix_math_display_mode(html)

    return html


def _embed_images(html: str, docx_path: Path) -> str:
    """将 HTML 中的图片引用替换为 base64 data URI"""
    try:
        with zipfile.ZipFile(docx_path, 'r') as zf:
            media_files = [n for n in zf.namelist() if n.startswith('word/media/')]

            for media_path in media_files:
                filename = media_path.split('/')[-1]
                if filename in html:
                    image_data = zf.read(media_path)
                    ext = filename.rsplit('.', 1)[-1].lower()
                    mime = _get_mime(ext)
                    data_uri = f"data:{mime};base64,{base64.b64encode(image_data).decode()}"
                    # 替换 img src
                    html = html.replace(f'src="media/{filename}"', f'src="{data_uri}"')
    except Exception:
        pass

    return html


def _clean_pandoc_artifacts(html: str) -> str:
    """清理 pandoc 产生的 artifact"""
    # 移除 @@@UUID 图片 alt 文本
    html = re.sub(r'@@@[a-f0-9-]+', '', html)
    # 移除空 alt
    html = html.replace('alt=""', '')
    return html


def _inject_styles(html: str) -> str:
    """注入 CSS 样式"""
    styles = """
    <style>
      body {
        font-family: '宋体', 'SimSun', 'Noto Serif CJK SC', serif;
        font-size: 16px;
        line-height: 1.8;
        color: #333;
        padding: 8px;
      }
      img {
        max-width: 100%;
        height: auto;
      }
      math, mjx-container {
        font-size: 100%;
      }
      blockquote {
        margin: 8px 0;
        padding: 4px 12px;
        border-left: 3px solid #e0e0e0;
        color: #555;
      }
      .answer-section {
        margin-top: 16px;
        padding-top: 12px;
        border-top: 1px dashed #ccc;
      }
    </style>
    """
    if "<head>" in html:
        html = html.replace("<head>", f"<head>{styles}")
    else:
        html = f"{styles}{html}"
    return html


def _strip_answer_section(html: str) -> str:
    """从 HTML 中去除答案区内容
    在 pandoc 生成的 HTML 中，【答案】是普通文本，
    我们需要找到它并删除之后的内容
    """
    # 匹配 【答案】 及其后的所有 HTML 内容
    match = re.search(r'【答案】.*', html, re.DOTALL)
    if match:
        # 仅保留 【答案】 之前的内容
        html = html[:match.start()].rstrip()
    return html


def _fix_math_display_mode(html: str) -> str:
    """将 pandoc 输出的行内公式从 display math \[...] 转为 inline math \(...)
    判断标准：公式不在独立的 <p> 标签中，即公式前后都有同段落的文字。
    短公式（单变量、短表达式）也转为 inline。
    """
    import re

    def should_be_inline(match):
        full_match = match.group(0)
        # 已经是 inline 的不处理
        if full_match.startswith('\\('):
            return full_match
        # 提取公式内容
        content = full_match[2:-2]  # 去掉 \[ 和 \]
        # 短公式（少于20字符）且不含换行符的转为 inline
        if len(content) < 25 and '\n' not in content:
            return '\\(' + content + '\\)'
        return full_match

    # 处理 span 包裹的 math display
    html = re.sub(
        r'<span class="math display">\\\[.*?\\\]</span>',
        lambda m: m.group(0).replace('math display', 'math inline')
                  .replace('\\[', '\\(').replace('\\]', '\\)'),
        html
    )

    return html


def _get_mime(ext: str) -> str:
    mime_map = {
        'png': 'image/png',
        'jpg': 'image/jpeg',
        'jpeg': 'image/jpeg',
        'gif': 'image/gif',
        'bmp': 'image/bmp',
        'svg': 'image/svg+xml',
        'webp': 'image/webp',
    }
    return mime_map.get(ext, 'image/png')