[bug] Windows: пробел или %VAR% в имени файла ломают конвертацию, и это рапортуется как «скорее всего скан → OCR»

[istrami]

Что произошло

На Windows convert.js не конвертирует файл, в имени которого есть пробел — в том числе пример из справки самого скрипта (node convert.js a.pdf b.xlsx "отчёт за март.pptx").

Причина: spawnSync('npx', ['-y', '@firecrawl/anydoc', f, '-o', out], { shell: isWin }). Под shell: true аргументы уходят в cmd.exe одной строкой, cmd режет её по пробелам, и anydoc получает второй «вход».

Тот же корень даёт второй случай: имя с %VAR% (например отчёт %TEMP% март.docx) — cmd раскрывает переменную, и в anydoc уходит уже другой путь (io error: The filename, directory name, or volume label syntax is incorrect. (os error 123)).

Отдельно, и по-моему важнее самого бага: исход категоризируется неверно. Оба случая печатаются как ПРОПУСК с советом «Пропущенные, скорее всего, сканы или PDF-картинки без текстового слоя — прогони их через OCR», хотя файл идеально читаемый. А process.exit(fail > 0 ? 1 : 0) даёт exit 0, потому что это skip, а не fail. В пакетном режиме по папке такой файл молча теряется при статусе «успех», а пользователя отправляют на бессмысленный OCR.

Как воспроизвести

Команда:

node skills/doc2md/scripts/convert.js "a b.docx"

Ожидал: OK

Получил:

ПРОПУСК C:\...\a b.docx — anydoc: one document per invocation: unexpected second input 'b.docx'

Готово: 0 конвертировано, 1 пропущено (не читается/зашифровано/скан), 0 ошибок вызова
Пропущенные, скорее всего, сканы или PDF-картинки без текстового слоя — прогони их через OCR (скилл pdf, шаг «сделать PDF searchable») и повтори.

Кириллица тут не при чём — проверял раздельно, данные.csv и отчёт.docx без пробела конвертируются нормально. Ломает именно пробел.

Окружение

• ОС и версия: Windows 11 Enterprise 26200, проверял и из cmd.exe, и из PowerShell
• Node.js (node -v): v26.2.0, npm 11.13.0
• Версия обёртки: skills/doc2md/scripts/convert.js (кросс-платформенная Node-версия), клон main от 06.08.2026
• anydoc: через npx -y @firecrawl/anydoc, версия 0.1.6 (глобально не ставил)

Секция «Протестировано» в SKILL.md просит перепроверить и дополнить её при первом боевом запуске на Windows — этим и занимаюсь. Вывод «convert.js написан без shell-специфичного синтаксиса … но это рассуждение о корректности, а не проверка» оказался ровно в точку.

Что помогло у меня — не настаиваю на способе

1. Квотировать аргументы под shell: true — лечит пробелы, но не лечит %VAR%: раскрытие переменных на командной строке cmd не экранируется.

2. Корневой фикс — убрать cmd.exe из цепочки. shell: true нужен только чтобы нашёлся npx.cmd; вместо этого можно позвать npx-cli.js напрямую тем же node, без shell:

   const npxCli = path.join(path.dirname(process.execPath), 'node_modules', 'npm', 'bin', 'npx-cli.js');
   spawnSync(process.execPath, [npxCli, '-y', '@firecrawl/anydoc', f, '-o', out]);

   После этого у меня прошли все имена: a b.docx, отчёт за март.docx, a&b^c%TEMP% d.docx — результат байт-в-байт совпал с эталоном. Оговорка: путь к npx-cli.js — деталь раскладки npm-бандла, а не публичный контракт, и на nvm-windows/Volta он может лежать не рядом с node.exe.

3. Глубже, и это, кажется, интереснее всего для самого скилла: у @firecrawl/anydoc есть официальный Node API. В установленном 0.1.6 есть toMarkdown(path), toMarkdownBytes, toDocument, formatFromPath и типизированный ConvertErrorCode (unsupported | malformed | encrypted | resourceLimit | missingPart | io), таргет x86_64-pc-windows-msvc. Если звать его вместо CLI:

   • исчезает cmd.exe и вместе с ним весь класс проблем с именами — чинить нечего, потому что ломаться больше нечему;
   • исчезают накладные npx на каждый файл. Замерил у себя: через npx ~1.02 с на файл (5 тривиальных CSV = 5.11 с) при собственной медиане anydoc ~4.4 мс; после перехода на API 20 файлов конвертируются за 111 мс. На пачке это порядка 100×, а пакетная обработка — ровно то, ради чего скилл и нужен;
   • вместо угадывания по exit-коду приходит точная причина, и malformed document больше не советует OCR. Сейчас, например, лок-файл Word ~$договор.docx попадает в обработку и рапортуется как «скорее всего скан».

   Я в итоге так и сделал у себя и был неправ, когда сначала полез чинить обёртку вокруг CLI: правильный ход оказался не «квотировать лучше», а не звать cmd вообще.

Две мелочи, если пригодятся

• -o последним аргументом молча игнорируется: outDir = argv[++i] даёт undefined, дальше if (outDir) ложно → всё пишется рядом с исходниками, без предупреждения, exit 0. Человек думает, что собрал результат в отдельную папку.
• При -o и рекурсивном обходе имя выхода строится из path.basename(f), поэтому 2025\акт.pdf и 2026\акт.pdf дают один акт.pdf.md — второй молча перезаписывает первый, оба со статусом OK. Это тот же класс, что уже поправлен для отчёт.csv / отчёт.docx (сохранением расширения), только по другой оси — по подпапкам.

Спасибо за скилл: идея «сконвертировать пачку до того, как её начнёт читать агент» оказалась ровно тем, что было нужно, и basename + .md против коллизий, и отсечение циклов по симлинкам — приятно аккуратные детали.