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
48 lines
1.2 KiB
Python
48 lines
1.2 KiB
Python
"""PDF 文件阅读器，支持多种解析方法（OCR 优先）。"""
|
||
|
||
from typing import List, Optional, Tuple
|
||
|
||
from readers.base import BaseReader
|
||
from utils import is_valid_pdf
|
||
|
||
from . import docling_ocr
|
||
from . import unstructured_ocr
|
||
from . import docling
|
||
from . import unstructured
|
||
from . import markitdown
|
||
from . import pypdf
|
||
|
||
|
||
PARSERS = [
|
||
("docling OCR", docling_ocr.parse),
|
||
("unstructured OCR", unstructured_ocr.parse),
|
||
("docling", docling.parse),
|
||
("unstructured", unstructured.parse),
|
||
("MarkItDown", markitdown.parse),
|
||
("pypdf", pypdf.parse),
|
||
]
|
||
|
||
|
||
class PdfReader(BaseReader):
|
||
"""PDF 文件阅读器"""
|
||
|
||
@property
|
||
def supported_extensions(self) -> List[str]:
|
||
return [".pdf"]
|
||
|
||
def supports(self, file_path: str) -> bool:
|
||
return is_valid_pdf(file_path)
|
||
|
||
def parse(self, file_path: str) -> Tuple[Optional[str], List[str]]:
|
||
failures = []
|
||
content = None
|
||
|
||
for parser_name, parser_func in PARSERS:
|
||
content, error = parser_func(file_path)
|
||
if content is not None:
|
||
return content, failures
|
||
else:
|
||
failures.append(f"- {parser_name}: {error}")
|
||
|
||
return None, failures
|