lanyuanxiaoyao
833018d451
## 功能特性 - 建立统一的项目结构，包含 core/、readers/、utils/、tests/ 模块 - 迁移 lyxy-reader-office 的所有解析器（docx、xlsx、pptx、pdf） - 迁移 lyxy-reader-html 的所有解析器（html、url 下载） - 统一 CLI 入口为 lyxy_document_reader.py - 统一 Markdown 后处理逻辑 - 按文件类型组织 readers，每个解析器独立文件 - 依赖分组按文件类型细分（docx、xlsx、pptx、pdf、html、http） - PDF OCR 解析器优先，无参数控制 - 使用 logging 模块替代简单 print - 设计完整的单元测试结构 - 重写项目文档 ## 新增目录/文件 - core/ - 核心模块（异常体系、Markdown 工具、解析调度器） - readers/ - 格式阅读器（base.py + docx/xlsx/pptx/pdf/html） - utils/ - 工具函数（文件类型检测） - tests/ - 测试（conftest.py + test_core/ + test_readers/ + test_utils/） - lyxy_document_reader.py - 统一 CLI 入口 ## 依赖分组 - docx - DOCX 文档解析支持 - xlsx - XLSX 文档解析支持 - pptx - PPTX 文档解析支持 - pdf - PDF 文档解析支持（含 OCR） - html - HTML/URL 解析支持 - http - HTTP/URL 下载支持 - office - Office 格式组合（docx/xlsx/pptx/pdf） - web - Web 格式组合（html/http） - full - 完整功能 - dev - 开发依赖
42 lines
1.2 KiB
Python
42 lines
1.2 KiB
Python
"""使用 MarkItDown 解析 HTML"""
|
|
|
|
import os
|
|
import tempfile
|
|
from typing import Optional, Tuple
|
|
|
|
|
|
def parse(html_content: str, temp_file_path: Optional[str] = None) -> Tuple[Optional[str], Optional[str]]:
|
|
"""使用 MarkItDown 解析 HTML"""
|
|
try:
|
|
from markitdown import MarkItDown
|
|
except ImportError:
|
|
return None, "MarkItDown 库未安装"
|
|
|
|
try:
|
|
input_path = temp_file_path
|
|
if not input_path or not os.path.exists(input_path):
|
|
# 创建临时文件
|
|
fd, input_path = tempfile.mkstemp(suffix='.html')
|
|
with os.fdopen(fd, 'w', encoding='utf-8') as f:
|
|
f.write(html_content)
|
|
|
|
md = MarkItDown()
|
|
result = md.convert(
|
|
input_path,
|
|
heading_style="ATX",
|
|
strip=["img", "script", "style", "noscript"],
|
|
)
|
|
markdown_content = result.text_content
|
|
|
|
if not temp_file_path:
|
|
try:
|
|
os.unlink(input_path)
|
|
except Exception:
|
|
pass
|
|
|
|
if not markdown_content.strip():
|
|
return None, "解析内容为空"
|
|
return markdown_content, None
|
|
except Exception as e:
|
|
return None, f"MarkItDown 解析失败: {str(e)}"
|