lanyuanxiaoyao
e0c6ed1638
- 提取 LibreOffice 解析逻辑为公共工具函数 _utils.parse_via_libreoffice() - 新增 DocReader 独立 Reader，支持 .doc 格式 - 新增 is_valid_doc() 文件验证函数（复用 OLE2 检测） - 新增 doc 格式依赖配置（独立配置） - 新增完整的测试套件，使用静态测试文件 - 更新 README.md 和 SKILL.md，添加 .doc 格式支持说明 - 新增 openspec/specs/doc-reader/spec.md 规范文档 Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
80 lines
2.4 KiB
Python
80 lines
2.4 KiB
Python
"""文件类型检测模块，用于验证和检测输入文件类型。"""
|
||
|
||
import os
|
||
import zipfile
|
||
from typing import List, Optional
|
||
|
||
|
||
def _is_valid_ole(file_path: str) -> bool:
|
||
"""验证 OLE2 格式文件（XLS/DOC）"""
|
||
try:
|
||
import olefile
|
||
except ImportError:
|
||
# 如果 olefile 未安装，就不做严格验证
|
||
return True
|
||
try:
|
||
return olefile.isOleFile(file_path)
|
||
except Exception:
|
||
return False
|
||
|
||
|
||
def _is_valid_ooxml(file_path: str, required_files: List[str]) -> bool:
|
||
"""验证 OOXML 格式文件（DOCX/PPTX/XLSX）"""
|
||
try:
|
||
with zipfile.ZipFile(file_path, "r") as zip_file:
|
||
names = set(zip_file.namelist())
|
||
return all(r in names for r in required_files)
|
||
except (zipfile.BadZipFile, zipfile.LargeZipFile):
|
||
return False
|
||
|
||
|
||
_DOCX_REQUIRED = ["[Content_Types].xml", "_rels/.rels", "word/document.xml"]
|
||
_PPTX_REQUIRED = ["[Content_Types].xml", "_rels/.rels", "ppt/presentation.xml"]
|
||
_XLSX_REQUIRED = ["[Content_Types].xml", "_rels/.rels", "xl/workbook.xml"]
|
||
|
||
|
||
def is_valid_docx(file_path: str) -> bool:
|
||
"""验证文件是否为有效的 DOCX 格式"""
|
||
return _is_valid_ooxml(file_path, _DOCX_REQUIRED)
|
||
|
||
|
||
def is_valid_pptx(file_path: str) -> bool:
|
||
"""验证文件是否为有效的 PPTX 格式"""
|
||
return _is_valid_ooxml(file_path, _PPTX_REQUIRED)
|
||
|
||
|
||
def is_valid_xlsx(file_path: str) -> bool:
|
||
"""验证文件是否为有效的 XLSX 格式"""
|
||
return _is_valid_ooxml(file_path, _XLSX_REQUIRED)
|
||
|
||
|
||
def is_valid_xls(file_path: str) -> bool:
|
||
"""验证文件是否为有效的 XLS 格式"""
|
||
return _is_valid_ole(file_path)
|
||
|
||
|
||
def is_valid_doc(file_path: str) -> bool:
|
||
"""验证文件是否为有效的 DOC 格式（OLE2）"""
|
||
return _is_valid_ole(file_path)
|
||
|
||
|
||
def is_valid_pdf(file_path: str) -> bool:
|
||
"""验证文件是否为有效的 PDF 格式"""
|
||
try:
|
||
with open(file_path, "rb") as f:
|
||
header = f.read(4)
|
||
return header == b"%PDF"
|
||
except (IOError, OSError):
|
||
return False
|
||
|
||
|
||
def is_html_file(file_path: str) -> bool:
|
||
"""判断文件是否为 HTML 文件（仅检查扩展名）"""
|
||
ext = file_path.lower()
|
||
return ext.endswith(".html") or ext.endswith(".htm")
|
||
|
||
|
||
def is_url(input_str: str) -> bool:
|
||
"""判断输入是否为 URL"""
|
||
return input_str.startswith("http://") or input_str.startswith("https://")
|