lyxy-document

帮助 AI 工具读取转换文档到 Markdown 的统一工具。

功能特性

支持多种文档格式的解析，统一转换为 Markdown：

• Office 文档: DOCX、XLSX、PPTX
• PDF 文档: 支持 OCR 优先解析
• HTML/URL: 支持本地 HTML 文件和在线 URL 下载解析

安装

基础安装

uv add lyxy-document

可选依赖分组

按文件类型按需安装：

# 仅安装 DOCX 支持
uv add "lyxy-document[docx]"

# 仅安装 XLSX 支持
uv add "lyxy-document[xlsx]"

# 仅安装 PPTX 支持
uv add "lyxy-document[pptx]"

# 仅安装 PDF 支持
uv add "lyxy-document[pdf]"

# 仅安装 HTML 支持
uv add "lyxy-document[html]"

# 仅安装 HTTP/URL 下载支持
uv add "lyxy-document[http]"

组合分组：

# 安装所有 Office 格式支持
uv add "lyxy-document[office]"

# 安装 Web（HTML + HTTP）支持
uv add "lyxy-document[web]"

# 安装全部功能
uv add "lyxy-document[full]"

# 安装开发依赖
uv add --dev "lyxy-document[dev]"

使用方法

命令行使用

# 解析文档为 Markdown
uv run lyxy-document-reader document.docx

# 统计字数
uv run lyxy-document-reader document.docx -c

# 统计行数
uv run lyxy-document-reader document.docx -l

# 提取所有标题
uv run lyxy-document-reader document.docx -t

# 提取指定标题及其内容
uv run lyxy-document-reader document.docx -tc "标题名称"

# 搜索文档内容（支持正则表达式）
uv run lyxy-document-reader document.docx -s "搜索关键词" -n 2

Python API 使用

from core import parse_input, process_content
from readers import READERS

# 实例化 readers
readers = [ReaderCls() for ReaderCls in READERS]

# 解析文件
content, failures = parse_input("document.docx", readers)

if content:
    # 处理内容（移除图片、规范化空白）
    content = process_content(content)
    print(content)
else:
    print("解析失败:")
    for failure in failures:
        print(failure)

项目结构

lyxy-document/
├── scripts/                    # 核心代码目录
│   ├── lyxy_document_reader.py # 统一 CLI 入口
│   ├── config.py               # 统一配置类
│   ├── core/                   # 核心模块
│   │   ├── exceptions.py       # 自定义异常体系
│   │   ├── markdown.py         # Markdown 工具函数
│   │   └── parser.py           # 统一解析调度器
│   ├── readers/                # 格式阅读器
│   │   ├── base.py             # Reader 基类
│   │   ├── docx/               # DOCX 阅读器
│   │   ├── xlsx/               # XLSX 阅读器
│   │   ├── pptx/               # PPTX 阅读器
│   │   ├── pdf/                # PDF 阅读器
│   │   └── html/               # HTML/URL 阅读器
│   └── utils/                  # 工具函数
│       ├── file_detection.py   # 文件类型检测
│       └── encoding_detection.py # 编码检测
├── tests/                      # 测试
├── openspec/                   # 规范文档
└── README.md                   # 项目文档

解析器优先级

DOCX

1. docling
2. unstructured
3. pypandoc-binary
4. MarkItDown
5. python-docx
6. XML 原生解析

XLSX

1. docling
2. unstructured
3. MarkItDown
4. pandas
5. XML 原生解析

PPTX

1. docling
2. unstructured
3. MarkItDown
4. python-pptx
5. XML 原生解析

PDF（OCR 优先）

1. docling OCR
2. unstructured OCR
3. docling
4. unstructured
5. MarkItDown
6. pypdf

HTML/URL

1. trafilatura
2. domscribe
3. MarkItDown
4. html2text

开发

安装开发依赖

uv sync --dev

运行测试

uv run pytest

代码格式化

uv run black .
uv run isort .

类型检查

uv run mypy .

许可证

MIT License