lanyuanxiaoyao
0dd7aa221c
- 新增 scripts/readers/docx/libreoffice.py - 在 MarkItDown 之后、python-docx 之前插入解析器 - 新增 tests/test_readers/test_docx/test_libreoffice.py - 更新 openspec/specs/docx-reader/spec.md Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
137 lines
4.4 KiB
Markdown
137 lines
4.4 KiB
Markdown
## Purpose
|
|
|
|
DOCX 文档解析能力，支持多种解析方法。
|
|
|
|
## Requirements
|
|
|
|
### Requirement: DOCX 文档解析
|
|
系统 SHALL 支持解析 DOCX 格式文档，按优先级尝试多个解析器。
|
|
|
|
#### Scenario: 按优先级尝试解析器
|
|
- **WHEN** 解析 DOCX 文档
|
|
- **THEN** 系统按 docling → unstructured → pypandoc-binary → MarkItDown → LibreOffice → python-docx → XML原生解析的顺序尝试
|
|
|
|
#### Scenario: 成功解析
|
|
- **WHEN** 任一解析器成功
|
|
- **THEN** 系统返回解析结果
|
|
|
|
#### Scenario: 所有解析器失败
|
|
- **WHEN** 所有解析器均失败
|
|
- **THEN** 系统返回失败列表并退出非零状态码
|
|
|
|
### Requirement: docling 解析器
|
|
系统 SHALL 支持使用 docling 库解析 DOCX。
|
|
|
|
#### Scenario: docling 解析成功
|
|
- **WHEN** docling 库可用且文档有效
|
|
- **THEN** 系统返回 Markdown 内容
|
|
|
|
#### Scenario: docling 库未安装
|
|
- **WHEN** docling 库未安装
|
|
- **THEN** 系统尝试下一个解析器
|
|
|
|
### Requirement: unstructured 解析器
|
|
系统 SHALL 支持使用 unstructured 库解析 DOCX。
|
|
|
|
#### Scenario: unstructured 解析成功
|
|
- **WHEN** unstructured 库可用且文档有效
|
|
- **THEN** 系统返回 Markdown 内容
|
|
|
|
#### Scenario: unstructured 库未安装
|
|
- **WHEN** unstructured 库未安装
|
|
- **THEN** 系统尝试下一个解析器
|
|
|
|
### Requirement: markitdown 解析器
|
|
系统 SHALL 支持使用 markitdown 库解析 DOCX。
|
|
|
|
#### Scenario: markitdown 解析成功
|
|
- **WHEN** markitdown 库可用且文档有效
|
|
- **THEN** 系统返回 Markdown 内容
|
|
|
|
#### Scenario: markitdown 库未安装
|
|
- **WHEN** markitdown 库未安装
|
|
- **THEN** 系统尝试下一个解析器
|
|
|
|
### Requirement: pypandoc-binary 解析器
|
|
系统 SHALL 支持使用 pypandoc-binary 库解析 DOCX。
|
|
|
|
#### Scenario: pypandoc 解析成功
|
|
- **WHEN** pypandoc-binary 库可用且文档有效
|
|
- **THEN** 系统返回 Markdown 内容
|
|
|
|
#### Scenario: pypandoc-binary 库未安装
|
|
- **WHEN** pypandoc-binary 库未安装
|
|
- **THEN** 系统尝试下一个解析器
|
|
|
|
### Requirement: python-docx 解析器
|
|
系统 SHALL 支持使用 python-docx 库解析 DOCX。
|
|
|
|
#### Scenario: python-docx 解析成功
|
|
- **WHEN** python-docx 库可用且文档有效
|
|
- **THEN** 系统返回 Markdown 内容，保留标题层级、列表、表格、粗体、斜体等格式
|
|
|
|
#### Scenario: python-docx 库未安装
|
|
- **WHEN** python-docx 库未安装
|
|
- **THEN** 系统尝试下一个解析器
|
|
|
|
### Requirement: XML 原生解析器
|
|
系统 SHALL 支持使用 XML 原生解析 DOCX。
|
|
|
|
#### Scenario: XML 原生解析成功
|
|
- **WHEN** 文档有效
|
|
- **THEN** 系统返回 Markdown 内容，保留标题层级、列表、表格等格式
|
|
|
|
#### Scenario: XML 原生解析失败
|
|
- **WHEN** XML 原生解析失败
|
|
- **THEN** 系统返回失败信息
|
|
|
|
### Requirement: LibreOffice 解析器
|
|
系统 SHALL 支持使用 LibreOffice soffice 命令行解析 DOCX。
|
|
|
|
#### Scenario: LibreOffice 解析成功
|
|
- **WHEN** soffice 可用且文档有效
|
|
- **THEN** 系统返回 Markdown 内容
|
|
|
|
#### Scenario: LibreOffice 未安装
|
|
- **WHEN** soffice 未在 PATH 中
|
|
- **THEN** 系统尝试下一个解析器
|
|
|
|
#### Scenario: LibreOffice 转换超时
|
|
- **WHEN** soffice 执行超过 60 秒
|
|
- **THEN** 系统返回超时错误并尝试下一个解析器
|
|
|
|
#### Scenario: LibreOffice 转换失败
|
|
- **WHEN** soffice 返回非零退出码
|
|
- **THEN** 系统返回失败信息并尝试下一个解析器
|
|
|
|
### Requirement: 每个解析器独立文件
|
|
系统 SHALL 将每个解析器实现为独立的单文件模块。
|
|
|
|
#### Scenario: docling 解析器在独立文件
|
|
- **WHEN** 使用 docling 解析器
|
|
- **THEN** 从 readers/docx/docling.py 导入
|
|
|
|
#### Scenario: unstructured 解析器在独立文件
|
|
- **WHEN** 使用 unstructured 解析器
|
|
- **THEN** 从 readers/docx/unstructured.py 导入
|
|
|
|
#### Scenario: markitdown 解析器在独立文件
|
|
- **WHEN** 使用 markitdown 解析器
|
|
- **THEN** 从 readers/docx/markitdown.py 导入
|
|
|
|
#### Scenario: pypandoc 解析器在独立文件
|
|
- **WHEN** 使用 pypandoc 解析器
|
|
- **THEN** 从 readers/docx/pypandoc.py 导入
|
|
|
|
#### Scenario: python-docx 解析器在独立文件
|
|
- **WHEN** 使用 python-docx 解析器
|
|
- **THEN** 从 readers/docx/python_docx.py 导入
|
|
|
|
#### Scenario: XML 原生解析器在独立文件
|
|
- **WHEN** 使用 XML 原生解析器
|
|
- **THEN** 从 readers/docx/native_xml.py 导入
|
|
|
|
#### Scenario: LibreOffice 解析器在独立文件
|
|
- **WHEN** 使用 LibreOffice 解析器
|
|
- **THEN** 从 readers/docx/libreoffice.py 导入
|