加入pandoc解析docx

temp/scripts/README.md

@@ -6,10 +6,11 @@
 
 该解析器按优先级尝试多种解析方法，确保最大兼容性：
 
-1. **MarkItDown** (微软官方库) - 推荐使用，格式最规范
-2. **python-docx / python-pptx / pandas** (成熟的 Python 库) - 输出最详细
-3. **unstructured / pypdf** (成熟的 PDF 库) - PDF 专用
-4. **XML 原生解析** (备选方案) - 无需依赖
+1. **pypandoc-binary** (DOCX 专用，内置 Pandoc) - 生成结构化 Markdown
+2. **MarkItDown** (微软官方库) - 推荐使用，格式最规范
+3. **python-docx / python-pptx / pandas** (成熟的 Python 库) - 输出最详细
+4. **unstructured / pypdf** (成熟的 PDF 库) - PDF 专用
+5. **XML 原生解析** (备选方案) - 无需依赖
 
 ### 特性
 
@@ -44,6 +45,16 @@ scripts/
 uv run parser.py file.docx
 ```
 
+### 使用 pypandoc-binary（DOCX）
+
+```bash
+# 使用 uv 自动安装
+uv run --with pypandoc-binary parser.py file.docx
+
+# 或手动安装
+pip install pypandoc-binary
+```
+
 ### 使用 MarkItDown
 
 ```bash
@@ -81,7 +92,7 @@ pip install pypdf
 
 ```bash
 # 安装所有解析库
-uv run --with markitdown --with python-docx --with python-pptx --with pandas --with tabulate --with unstructured --with pypdf parser.py file.pdf
+uv run --with pypandoc-binary --with markitdown --with python-docx --with python-pptx --with pandas --with tabulate --with unstructured --with pypdf parser.py file.pdf
 ```
 
 ## 命令行用法
@@ -125,6 +136,7 @@ uv run parser.py report.pdf
 uv run parser.py report.docx > output.md
 
 # 使用特定依赖
+uv run --with pypandoc-binary parser.py report.docx > output.md
 uv run --with python-docx parser.py report.docx > output.md
 uv run --with pypdf parser.py report.pdf > output.md
 ```
@@ -195,8 +207,16 @@ uv run --with "markitdown[pdf]" parser.py report.pdf -s "重要内容" -n 2
 
 ### DOCX 解析器
 
+DOCX 文件会按以下优先级依次尝试解析：
+
+1. pypandoc-binary
+2. MarkItDown
+3. python-docx
+4. XML 原生
+
 | 解析器 | 优点 | 缺点 | 适用场景 |
 |---------|------|--------|---------|
+| **pypandoc-binary** | • 自带 Pandoc，可直接使用<br>• 输出 Markdown 结构整洁<br>• 错误信息清晰易排查 | • 仅适用于 DOCX<br>• 依赖包体积较大 | • 需要标准化 Markdown 输出<br>• 首选解析路径 |
 | **MarkItDown** | • 格式规范<br>• 微软官方支持<br>• 兼容性好 | • 需要安装<br>• 输出较简洁 | • 需要标准格式输出<br>• 自动化文档处理 |
 | **python-docx** | • 输出最详细<br>• 保留完整结构<br>• 支持复杂样式 | • 需要安装<br>• 可能包含多余空行 | • 需要精确控制输出<br>• 分析文档结构 |
 | **XML 原生** | • 无需依赖<br>• 运行速度快<br>• 输出原始内容 | • 格式可能不统一<br>• 样式处理有限 | • 依赖不可用时<br>• 快速提取内容 |
@@ -533,6 +553,7 @@ A: 大文件建议使用 XML 原生解析（最快），或在脚本外部处理
 
 ### 最新版本
 
+- DOCX 解析新增 pypandoc-binary 方案并设置为最高优先级
 - 将单体脚本拆分为模块化结构（common.py, docx.py, pptx.py, xlsx.py, parser.py）
 - 添加 XLSX 文件支持
 - 添加 PDF 文件支持（MarkItDown、unstructured、pypdf）

temp/scripts/docx_parser.py

@@ -1,5 +1,5 @@
 #!/usr/bin/env python3
-"""DOCX 文件解析模块，提供三种解析方法。"""
+"""DOCX 文件解析模块，提供多种解析方法。"""
 
 import xml.etree.ElementTree as ET
 import zipfile
@@ -8,6 +8,32 @@ from typing import Any, List, Optional, Tuple
 from common import build_markdown_table, parse_with_markitdown, safe_open_zip
 
 
+def parse_docx_with_pypandoc(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 pypandoc-binary 库解析 DOCX 文件。"""
+    try:
+        import pypandoc
+    except ImportError:
+        return None, "pypandoc-binary 库未安装"
+
+    try:
+        content = pypandoc.convert_file(
+            source_file=file_path,
+            to="md",
+            format="docx",
+            outputfile=None,
+            extra_args=["--wrap=none"],
+        )
+    except OSError as exc:
+        return None, f"pypandoc-binary 缺少 Pandoc 可执行文件: {exc}"
+    except RuntimeError as exc:
+        return None, f"pypandoc-binary 解析失败: {exc}"
+
+    content = content.strip()
+    if not content:
+        return None, "文档为空"
+    return content, None
+
+
 def parse_docx_with_markitdown(file_path: str) -> Tuple[Optional[str], Optional[str]]:
     """使用 MarkItDown 库解析 DOCX 文件"""
     return parse_with_markitdown(file_path)

temp/scripts/parser.py

@@ -64,6 +64,7 @@ def main() -> None:
 
     if file_type == "docx":
         parsers = [
+            ("pypandoc-binary", docx_parser.parse_docx_with_pypandoc),
             ("MarkItDown", docx_parser.parse_docx_with_markitdown),
             ("python-docx", docx_parser.parse_docx_with_python_docx),
             ("XML 原生解析", docx_parser.parse_docx_with_xml),