test: verify DOCX conversion on Windows

.github/workflows/ci.yml

@@ -45,14 +45,21 @@ jobs:
           node-version: "20"
       - name: Install anydoc for the Windows path test
         run: npm install -g @firecrawl/anydoc@0.2.4
-      - name: Spaces, percent signs, and output collisions
+      - name: Windows CSV and DOCX paths, content, and output collisions
         shell: pwsh
         run: |
-          New-Item -ItemType Directory -Force 'test-input/a', 'test-input/b', 'test-output' | Out-Null
+          New-Item -ItemType Directory -Force 'test-input/a', 'test-input/b', 'test-input/docx-source/_rels', 'test-input/docx-source/word', 'test-output' | Out-Null
           Set-Content -LiteralPath 'test-input/a/a %TEMP% b.csv' -Value "name,value`na,1" -NoNewline
           Set-Content -LiteralPath 'test-input/a/dup.csv' -Value "name,value`na,2" -NoNewline
           Set-Content -LiteralPath 'test-input/b/dup.csv' -Value "name,value`nb,3" -NoNewline
+          Set-Content -LiteralPath 'test-input/docx-source/[Content_Types].xml' -Value '<?xml version="1.0" encoding="UTF-8"?><Types xmlns="http://schemas.openxmlformats.org/package/2006/content-types"><Default Extension="rels" ContentType="application/vnd.openxmlformats-package.relationships+xml"/><Default Extension="xml" ContentType="application/xml"/><Override PartName="/word/document.xml" ContentType="application/vnd.openxmlformats-officedocument.wordprocessingml.document.main+xml"/></Types>' -NoNewline
+          Set-Content -LiteralPath 'test-input/docx-source/_rels/.rels' -Value '<?xml version="1.0" encoding="UTF-8"?><Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships"><Relationship Id="rId1" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/officeDocument" Target="word/document.xml"/></Relationships>' -NoNewline
+          Set-Content -LiteralPath 'test-input/docx-source/word/document.xml' -Value '<?xml version="1.0" encoding="UTF-8"?><w:document xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main"><w:body><w:p><w:r><w:t>DOC2MD_WINDOWS_DOCX_OK</w:t></w:r></w:p><w:sectPr/></w:body></w:document>' -NoNewline
+          [System.IO.Compression.ZipFile]::CreateFromDirectory((Resolve-Path 'test-input/docx-source').Path, [System.IO.Path]::GetFullPath('test-input/a/a %TEMP% b.docx'))
           node skills/doc2md/scripts/convert.js test-input/a test-input/b -o test-output
           if ($LASTEXITCODE -ne 0) { exit $LASTEXITCODE }
           if (-not (Test-Path -LiteralPath 'test-output/a %TEMP% b.csv.md')) { throw 'Special-character path was lost' }
+          $docxOutput = 'test-output/a %TEMP% b.docx.md'
+          if (-not (Test-Path -LiteralPath $docxOutput)) { throw 'DOCX path was lost' }
+          if (-not (Select-String -LiteralPath $docxOutput -Pattern 'DOC2MD_WINDOWS_DOCX_OK' -Quiet)) { throw 'DOCX text was not converted' }
           if ((Get-ChildItem -LiteralPath test-output -Filter 'dup.csv.*.md').Count -ne 2) { throw 'Output collision lost a file' }

README.en.md

@@ -63,25 +63,25 @@ Without `-o`, each `<name>.<ext>.md` is written next to the source — the exten
 | OpenDocument | `.odt` `.ods` `.odp` |
 | Other | `.rtf` `.epub` `.csv` `.pdf` |
 
-Scans and image-only PDFs with no text layer aren't read (the engine has no OCR) — they go to "SKIP" and the batch doesn't fail. Run OCR first for those.
+In local mode, scans and image-only PDFs without a text layer go to "SKIP" and the batch continues. Run OCR first to convert them. Upstream anydoc 0.2.4 also offers `--ocr hosted`, which sends the whole document to Firecrawl Parse; doc2md does not enable that mode.
 
 ## Outcome categories
 
 - **OK** — anydoc returned exit code `0`.
 - **ERROR** — couldn't even launch `npx`/anydoc (not on PATH, code 126/127): an environment failure, not "the file is unreadable" — OCR won't help.
-- **SKIP** — anydoc ran but the file didn't convert: almost always a scan / encrypted / corrupt file.
+- **SKIP** — anydoc returned exit code `3`: PDF pages need OCR. Encrypted or corrupt files are errors, not OCR candidates.
 
-> anydoc's exit-code contract isn't formally documented; the wrapper treats it conservatively (see `SKILL.md`).
+> These exit codes are listed by `anydoc --help` in version 0.2.4 (see `SKILL.md`).
 
 ## Tested / not tested
 
 Tested (2026-08-06, Cowork sandbox, Node 22, Linux/macOS): `.csv` and `.docx` with Cyrillic, name-collision folder, paths with spaces, missing paths, recursive folders — for both `convert.js` and `convert.sh`.
 
-**Not tested live:** `.pptx`, `.xlsx`, `.pdf`, `.epub`, a real client document batch, and a live Windows run. The Windows code path is reasoned about, not verified. Verified a format or OS? [Open an issue](https://github.com/ilyautov/doc2md/issues).
+**Automated Windows CI verified (2026-10-07):** CSV and a real DOCX whose names contain spaces and `%TEMP%` convert successfully; the test checks extracted DOCX text and output collisions. **Not verified on a user's Windows machine:** skill installation or a real client batch. `.pptx`, `.xlsx`, `.pdf`, and `.epub` also remain untested live. Verified a format or environment? [Open an issue](https://github.com/ilyautov/doc2md/issues).
 
 ## Source
 
-A wrapper over [firecrawl/anydoc](https://github.com/firecrawl/anydoc) (MIT, Rust). The upstream also ships a minimal single-file skill; doc2md adds batch processing, an honest OK/SKIP/ERROR summary, OCR routing, a cross-platform Node version and docs. Benchmark numbers are the vendor's own — see [SOURCES.md](SOURCES.md).
+A wrapper over [firecrawl/anydoc](https://github.com/firecrawl/anydoc) (MIT, Rust). The upstream also ships a minimal single-file skill; doc2md adds batch processing, an honest OK/SKIP/ERROR summary, explicit identification of PDFs needing OCR, a cross-platform Node version and docs. Benchmark numbers are the vendor's own — see [SOURCES.md](SOURCES.md).
 
 ## Author
 

README.md

@@ -114,7 +114,7 @@ bash skills/doc2md/scripts/convert.sh договор.docx
 | OpenDocument | `.odt` `.ods` `.odp` |
 | Прочее | `.rtf` `.epub` `.csv` `.pdf` |
 
-Сканы и PDF-картинки без текстового слоя не читаются (в движке нет OCR) — попадают в «ПРОПУСК», batch на этом не падает. Для них нужен отдельный OCR-проход перед конвертацией (например, скилл `pdf`, шаг «сделать PDF searchable»).
+В локальном режиме сканы и PDF-картинки без текстового слоя попадают в «ПРОПУСК», batch на этом не падает. Для них нужен отдельный OCR-проход перед конвертацией (например, скилл `pdf`, шаг «сделать PDF searchable»). У anydoc 0.2.4 есть отдельный `--ocr hosted`, который отправляет весь документ в Firecrawl Parse; doc2md этот режим не включает.
 
 ## Что скрипт делает, а что нет
 
@@ -132,11 +132,11 @@ bash skills/doc2md/scripts/convert.sh договор.docx
 - Несуществующий путь в аргументах — пропускается с понятным сообщением, batch не падает.
 - `convert.js` — та же батарея тестов повторена и прошла (рекурсивная папка, коллизия имён, кириллица, вложенная подпапка, missing path).
 
-**Не тестировано вживую:** `.pptx`, `.xlsx`, `.pdf`, `.epub`, боевая пачка документов клиента. **Живой запуск новой версии на Windows пока не сделан** — на macOS проверены имена с пробелом и `%TEMP%`, коллизии в `-o`, повреждённый `.docx` и отсутствие значения `-o`. Windows-подтверждение из issue относится к прежнему коду. Проверил новую версию на Windows — [сообщи результат](https://github.com/ilyautov/doc2md/issues).
+**Автоматически проверено на Windows (CI, 07.10.2026):** CSV и настоящий DOCX с пробелами и `%TEMP%` в имени конвертируются; тест проверяет текст DOCX и отсутствие перезаписи при совпадении имён. **Не проверено на пользовательском Windows-компьютере:** установка скилла и боевая пачка документов. Также пока не проверены вживую `.pptx`, `.xlsx`, `.pdf`, `.epub`. Проверил на своих файлах — [сообщи результат](https://github.com/ilyautov/doc2md/issues).
 
 ## Чем отличается от upstream-скилла anydoc
 
-`firecrawl/anydoc` публикует свой минимальный skill (`npx skills add firecrawl/anydoc`) — конвертирует один файл за раз, без пакетной обработки, без сводки по batch и без русской документации. doc2md достраивает именно это: пачка/папка на вход, честная сводка `OK`/`ПРОПУСК`/`ОШИБКА`, маршрутизация сканов на OCR, кросс-платформенная Node-версия, документация на русском.
+`firecrawl/anydoc` публикует свой минимальный skill (`npx skills add firecrawl/anydoc`) — конвертирует один файл за раз, без пакетной обработки, без сводки по batch и без русской документации. doc2md достраивает именно это: пачка/папка на вход, честная сводка `OK`/`ПРОПУСК`/`ОШИБКА`, явная пометка PDF, которым нужен OCR, кросс-платформенная Node-версия, документация на русском.
 
 ## Источник
 

SOURCES.md

@@ -6,7 +6,7 @@ doc2md — тонкая обёртка над **[firecrawl/anydoc](https://githu
 (MIT, написан на Rust). Вся собственно конвертация форматов в Markdown
 выполняется anydoc; doc2md добавляет поверх пакетную обработку (файл / список /
 папка), построчный статус и итоговую сводку `OK` / `ПРОПУСК` / `ОШИБКА`,
-маршрутизацию сканов на OCR и русскую документацию.
+явную пометку PDF, которым нужен OCR, и русскую документацию.
 
 - Репозиторий движка: https://github.com/firecrawl/anydoc
 - npm-пакет: [`@firecrawl/anydoc`](https://www.npmjs.com/package/@firecrawl/anydoc)

skills/doc2md/SKILL.md

@@ -62,7 +62,7 @@ npx -y @firecrawl/anydoc report.docx -o report.docx.md
 
 - Конвертирует файл(ы), печатает построчный статус (`OK` / `ПРОПУСК` / `ОШИБКА`) и итоговую сводку: сколько успешно, сколько пропущено, сколько ошибок вызова.
 - **Различие ПРОПУСК vs ОШИБКА.** `OK` — код anydoc `0` и результат записан. `ПРОПУСК` — код `3`, PDF нужны OCR-страницы. Любой другой сбой чтения, конвертации, записи или вызова — `ОШИБКА` и ненулевой код всего пакета. В строку выводится stderr от anydoc.
-- **Сканы и PDF-картинки без текстового слоя anydoc не читает** — это не баг, а ограничение движка (нет OCR внутри). Такие файлы попадают в «ПРОПУСК», batch на этом не падает. Для них: сначала OCR через скилл `pdf` (шаг «сделать PDF searchable»), потом повторный прогон.
+- **Сканы и PDF-картинки без текстового слоя локальный режим не читает.** Такие файлы попадают в «ПРОПУСК», batch на этом не падает. Для них: сначала OCR через скилл `pdf` (шаг «сделать PDF searchable»), потом повторный прогон. У anydoc 0.2.4 есть `--ocr hosted`, но он отправляет весь документ в Firecrawl Parse; эта обёртка его не включает.
 - Зашифрованные/защищённые паролем файлы — `ОШИБКА` с объяснением от anydoc; не отправляй их на OCR.
 - Не удаляет и не трогает исходники. Повторный запуск может обновить ранее созданный `.md`.
 
@@ -86,7 +86,7 @@ npx -y @firecrawl/anydoc report.docx -o report.docx.md
 - `scripts/convert.js` (кросс-платформенная Node-версия): та же батарея тестов повторена и прошла — рекурсивный обход папки, коллизия имён, кириллица в `.docx`/`.csv`, вложенная подпапка, несуществующий путь.
 - Синтаксис-гейт обеих версий (`node --check`, `bash -n`) и smoke-тесты (`--help`, несуществующий путь) гоняются в CI на каждый PR.
 
-**Не тестировал новую версию на Windows:** нет Windows-окружения. На macOS проверены имена с пробелом и `%TEMP%`, коллизии в `-o`, повреждённый `.docx` и отсутствие значения `-o`. Windows-подтверждение из issue относится к прежнему коду. При первом боевом использовании на Windows — перепроверить и дополнить эту секцию. Также не тестировались `.pptx`, `.xlsx`, `.pdf`, `.epub` и боевая пачка документов клиента.
+**Автоматический Windows CI прошёл 07.10.2026:** CSV и настоящий DOCX с пробелами и `%TEMP%` в имени, извлечение текста из DOCX и коллизии в `-o`. Установку скилла и боевую пачку на пользовательском Windows-компьютере ещё не проверяли; `.pptx`, `.xlsx`, `.pdf` и `.epub` тоже не тестировались вживую.
 
 ## Источник