7.8 KiB
7.8 KiB
name, description, compatibility
| name | description | compatibility |
|---|---|---|
| lyxy-reader-office | 优先解析 docx、xlsx、pptx、pdf 四种办公文档的 skill，将文档转换为 Markdown 格式，支持全文提取、标题提取、章节提取、正则搜索、字数统计、行数统计，PDF 额外支持 OCR 高精度模式。使用时请阅读 scripts/README.md 获取详细用法。 | Requires Python 3.6+. DOCX/PPTX/XLSX 无需额外依赖（XML 原生解析）；PDF 至少需要 pypdf。推荐通过 lyxy-runner-python skill 使用 uv 自动管理依赖。 |
办公文档解析 Skill
将 Microsoft Office 文档（.docx、.pptx、.xlsx）和 PDF 文件解析为 Markdown 格式，支持多种查询模式。
Purpose
统一入口：使用 scripts/parser.py 作为统一的命令行入口，自动识别文件类型并分派到对应的格式解析器。
依赖选项：此 skill 必须优先使用 lyxy-runner-python skill 执行，不可用时降级到直接 Python 执行。
必须使用 lyxy-runner-python
如果环境中存在 lyxy-runner-python skill，必须使用它来执行 parser.py 脚本：
- lyxy-runner-python 使用 uv 管理依赖，自动安装所需的第三方库
- 环境隔离，不污染系统 Python
- 跨平台兼容（Windows/macOS/Linux）
降级到直接执行
仅当 lyxy-runner-python skill 不存在时，才降级到直接 Python 执行：
- 需要用户手动安装依赖
- DOCX/PPTX/XLSX 无需依赖也可通过 XML 原生解析工作
- PDF 至少需要安装 pypdf
- 禁止自动执行 pip install，仅向用户提示安装建议
When to Use
任何需要读取或解析 .docx、.xlsx、.pptx、.pdf 文件内容的任务都应使用此 skill。
典型场景
- 文档内容提取：将 Word/PPT/Excel/PDF 文档转换为可读的 Markdown 文本
- 文档元数据：获取文档的字数、行数等信息
- 标题分析：提取文档的标题结构
- 章节提取：提取特定章节的内容
- 内容搜索：在文档中搜索关键词或模式
- PDF OCR：对扫描版 PDF 启用 OCR 高精度解析
不适用场景
- 需要提取图片内容（仅支持纯文本）
- 需要保留复杂的格式信息（字体、颜色、布局）
- 需要编辑或修改文档
- 需要处理 .doc、.xls、.ppt 等旧格式
触发词
中文触发词
- "读取/解析/打开 docx/word 文档"
- "读取/解析/打开 xlsx/excel 文件"
- "读取/解析/打开 pptx/ppt 文件"
- "读取/解析/打开 pdf 文件"
英文触发词
- "read/parse/extract docx/word/xlsx/excel/pptx/powerpoint/pdf"
文件扩展名
.docx、.xlsx、.pptx、.pdf
Capabilities
1. 全文转换为 Markdown
将完整文档解析为 Markdown 格式，移除图片但保留文本格式（标题、列表、表格、粗体、斜体等）。
各格式的输出特点：
- DOCX：标准 Markdown 文档结构
- PPTX：每张幻灯片以
## Slide N为标题，幻灯片之间以---分隔 - XLSX：以
## SheetName区分工作表，数据以 Markdown 表格呈现 - PDF：纯文本流，使用
--high-res可启用 OCR 版面分析识别标题
2. 获取文档元信息
- 字数统计（
-c参数） - 行数统计（
-l参数）
3. 标题列表提取
提取文档中所有 1-6 级标题（-t 参数），按原始层级关系返回。
4. 指定章节内容提取
根据标题名称提取特定章节的完整内容（-tc 参数），包含上级标题链和所有下级内容。
5. 正则表达式搜索
在文档中搜索关键词或模式（-s 参数），支持自定义上下文行数（-n 参数，默认 2 行）。
6. PDF OCR 高精度模式
对 PDF 文件启用 OCR 版面分析（--high-res 参数），适用于扫描版 PDF 或需要识别标题层级的场景。
Execution
详细用法参考
执行前请阅读 scripts/README.md，其中包含：
- 完整的命令行参数说明
- 各格式的依赖安装指南（pip 和 uv 方式）
- 解析器优先级和对比
- 输出格式说明
- 错误处理和常见问题
基本语法
python parser.py <file_path> [options]
使用 lyxy-runner-python 执行（必须优先使用）
# DOCX - 推荐依赖
uv run --with "markitdown[docx]" skills/lyxy-reader-office/scripts/parser.py /path/to/file.docx
# PPTX - 推荐依赖
uv run --with "markitdown[pptx]" skills/lyxy-reader-office/scripts/parser.py /path/to/file.pptx
# XLSX - 推荐依赖
uv run --with "markitdown[xlsx]" skills/lyxy-reader-office/scripts/parser.py /path/to/file.xlsx
# PDF - 推荐依赖
uv run --with "markitdown[pdf]" --with pypdf skills/lyxy-reader-office/scripts/parser.py /path/to/file.pdf
# PDF OCR 高精度模式
uv run --with docling --with pypdf skills/lyxy-reader-office/scripts/parser.py /path/to/file.pdf --high-res
注意：以上为最小推荐依赖，更多解析器依赖和完整安装命令请查阅
scripts/README.md的安装部分。
降级到直接 Python 执行
仅当 lyxy-runner-python skill 不存在时使用：
python3 skills/lyxy-reader-office/scripts/parser.py /path/to/file.docx
互斥参数
| 参数 | 说明 |
|---|---|
| （无参数） | 输出完整 Markdown 内容 |
-c |
字数统计 |
-l |
行数统计 |
-t |
提取所有标题 |
-tc <name> |
提取指定标题的章节内容（name 不含 # 号） |
-s <pattern> |
正则表达式搜索 |
-n <num> |
与 -s 配合，指定上下文行数（默认 2） |
--high-res |
PDF 专用，启用 OCR 版面分析 |
Examples
提取完整文档内容
# DOCX
uv run --with "markitdown[docx]" skills/lyxy-reader-office/scripts/parser.py /path/to/report.docx
# PPTX
uv run --with "markitdown[pptx]" skills/lyxy-reader-office/scripts/parser.py /path/to/slides.pptx
# XLSX
uv run --with "markitdown[xlsx]" skills/lyxy-reader-office/scripts/parser.py /path/to/data.xlsx
# PDF
uv run --with "markitdown[pdf]" --with pypdf skills/lyxy-reader-office/scripts/parser.py /path/to/doc.pdf
获取文档字数
uv run --with "markitdown[docx]" skills/lyxy-reader-office/scripts/parser.py -c /path/to/report.docx
提取所有标题
uv run --with "markitdown[docx]" skills/lyxy-reader-office/scripts/parser.py -t /path/to/report.docx
提取指定章节
uv run --with "markitdown[docx]" skills/lyxy-reader-office/scripts/parser.py -tc "第一章" /path/to/report.docx
搜索关键词
uv run --with "markitdown[docx]" skills/lyxy-reader-office/scripts/parser.py -s "关键词" -n 3 /path/to/report.docx
PDF OCR 高精度解析
uv run --with docling --with pypdf skills/lyxy-reader-office/scripts/parser.py /path/to/scanned.pdf --high-res
Notes
多策略解析降级
每种文件格式配备多个解析器，按优先级依次尝试，前一个失败自动回退到下一个。详细的解析器优先级和对比请查阅 scripts/README.md。
限制
- 不支持图片提取（仅纯文本）
- 不支持复杂的格式保留（字体、颜色、布局等）
- 不支持文档编辑或修改
- 仅支持 .docx、.xlsx、.pptx、.pdf 格式（不支持 .doc、.xls、.ppt 等旧格式）
- PDF 无内置 XML 原生解析，至少需要安装 pypdf
最佳实践
- 必须优先使用 lyxy-runner-python：如果环境中存在，必须使用 lyxy-runner-python 执行脚本
- 查阅 README：详细参数、依赖安装、解析器对比等信息请阅读
scripts/README.md - 大文件处理：对于大文档，建议使用章节提取（
-tc）或搜索（-s）来限制处理范围 - PDF 标题：PDF 是版面描述格式，默认不含语义化标题；需要标题层级时使用
--high-res - 禁止自动安装：降级到直接 Python 执行时，仅向用户提示安装依赖，不得自动执行 pip install