Document Format Conformance

Document Format Conformance · PDF · OOXML · ODF · Factur-X

Overview

Boîte à outils experte pour les spécifications des formats documentaires et leur conformité. Deux modes complémentaires :

• Mode FICHIER — inspecter, valider, réparer et modifier des fichiers réels (.pdf, .docx, .xlsx, .pptx, .odt, .ods, .odp, Factur-X) en garantissant qu'ils restent conformes à leur spec après modification.
• Mode CODE — auditer une bibliothèque / un moteur qui produit ces formats (couverture de la spec, écarts, vecteurs de test). Voir references/audit-methodology.md.

Principe directeur : on n'implémente aucun parseur maison. Les scripts sont de fins wrappers autour des validateurs de référence (qpdf, veraPDF, lxml/xmllint, factur-x/saxonche, pikepdf/pypdf). La conformité affichée est donc celle d'outils faisant autorité, pas d'heuristiques.

Setup (une seule fois)

Le skill installe lui-même ses dépendances (venv Python + CLI + veraPDF) :

bash scripts/setup.sh        # idempotent : relançable sans risque
python3 scripts/doctor.py    # diagnostic : que manque-t-il ?

setup.sh crée ./.venv (pikepdf, pypdf, factur-x, python-docx, python-pptx, openpyxl, lxml), installe qpdf + xmllint (apt) et veraPDF (headless dans ~/.local). Les scripts Python détectent ./.venv et s'y ré-exécutent seuls — les lancer avec python3 scripts/<x>.py … suffit. Si un validateur manque, le script le signale et renvoie vers setup.sh (jamais d'échec silencieux).

Ajouter ~/.local/bin au PATH si verapdf n'est pas trouvé.

Choix du format (router)

detect_format() reconnaît le format par magic bytes (%PDF, PK + mimetype/ parts). En général, lancer directement le script : il route seul.

Workflow standard (mode FICHIER)

1. Inspecter la structure réelle avant tout : python3 scripts/inspect_doc.py <fichier>
2. Valider la conformité (rapport JSON, exit 0/1/2) : python3 scripts/validate.py <fichier> [--pdfa 3b] [--xsd DIR] [--rng SCHEMA]
3. Modifier en restant conforme, puis la modif est revalidée automatiquement :
   • PDF : python3 scripts/pdf_modify.py <set-meta|attach|repair|decrypt> …
   • OOXML/ODF : python3 scripts/opc_modify.py <list|get|set> …
   • Factur-X : python3 scripts/facturx_tool.py <check|extract|embed> …

Gate de conformité (NON-NÉGOCIABLE) : toute modification est rejetée ou signalée non conforme si elle casse la spec — un opc_modify set refuse un XML non well-formed (aucun fichier produit) ; un pdf_modify/facturx embed relance qpdf/veraPDF sur la sortie. Ne jamais livrer un fichier dont la post-validation n'est pas verte.

Scripts (cheat-sheet)

Points de conformité clés (mémo)

• PDF : modifier sans casser = incremental update (pdf_modify set-meta --incremental : append d'une révision, octets d'origine préservés → signatures intactes). Un fichier « réparé » par qpdf (xref reconstruit) est signalé non byte-clean (≠ warning bénin /Size).
• OOXML : 3 invariants OPC = [Content_Types].xml déclare chaque part, les *.rels pointent vers des parts existantes, parts XML well-formed.
• ODF : mimetype doit être la 1ère entrée du ZIP, STORED (non compressée), valeur exacte — opc_modify le re-garantit à chaque repackage.
• Factur-X : PDF/A-3b (veraPDF) + XML embarqué nommé factur-x.xml + /AFRelationship + /AF document-level + XMP Factur-X. La sémantique fiscale du XML (Schematron EN16931, business terms, réforme FR 2026) relève du skill isca-nf525-facturation-electronique — ne pas la dupliquer ici.

Mode CODE (audit d'un générateur)

Pour auditer une codebase qui produit ces formats (ex : un moteur PDF maison, un exporteur docx), suivre references/audit-methodology.md : inventaire des features de la spec → matrice de couverture → génération de fixtures → validation des sorties avec les mêmes scripts → table d'écarts priorisée.

Obtenir les schémas officiels (validation sémantique forte)

La validation XSD ECMA-376 et RelaxNG ODF nécessite les schémas officiels (non redistribués ici). Procédure d'obtention + commandes xmllint --schema/--relaxng dans references/ooxml.md et references/odf.md.