lanyuanxiaoyao
750ef50a8d
简化 parse_input() 为纯调度器，通过遍历 readers 的 supports() 方法识别输入类型，移除 URL 特殊处理和文件检查逻辑。各 reader 的 parse() 方法负责完整验证（文件存在、格式有效性）。 新增功能： - 添加 chardet 编码自动检测，支持多种中文编码回退机制 - 创建统一配置类管理编码、下载超时、日志等级等配置项 - HTML reader 支持本地文件编码检测和 URL 统一处理 安全性改进： - 修复 safe_open_zip() 路径遍历漏洞，使用 pathlib 规范化路径 - 添加边界检查，search_markdown() 检查负数参数 其他改进： - 修复类型注解（argparse.Namespace） - 日志系统仅输出 ERROR 级别，避免干扰 Markdown 输出 - 更新 BaseReader 接口文档，明确 supports() 和 parse() 职责划分 - 同步 delta specs 到主 specs（document-reading、html-reader、configuration、encoding-detection）
101 lines
2.7 KiB
Python
101 lines
2.7 KiB
Python
#!/usr/bin/env python3
|
||
"""文档解析器命令行交互模块，提供命令行接口。支持 DOCX、PPTX、XLSX、PDF、HTML 和 URL。"""
|
||
|
||
import argparse
|
||
import logging
|
||
import os
|
||
import sys
|
||
import warnings
|
||
|
||
# 抑制第三方库的进度条和日志，仅保留解析结果输出
|
||
os.environ["HF_HUB_DISABLE_PROGRESS_BARS"] = "1"
|
||
os.environ["HF_HUB_DISABLE_TELEMETRY"] = "1"
|
||
os.environ["TQDM_DISABLE"] = "1"
|
||
warnings.filterwarnings("ignore")
|
||
|
||
# 配置日志系统，只输出 ERROR 级别
|
||
logging.basicConfig(level=logging.ERROR, format='%(levelname)s: %(message)s')
|
||
|
||
# 设置第三方库日志等级
|
||
logging.getLogger('docling').setLevel(logging.ERROR)
|
||
logging.getLogger('unstructured').setLevel(logging.ERROR)
|
||
|
||
from core import (
|
||
FileDetectionError,
|
||
ReaderNotFoundError,
|
||
output_result,
|
||
parse_input,
|
||
process_content,
|
||
)
|
||
from readers import READERS
|
||
|
||
|
||
def main() -> None:
|
||
parser = argparse.ArgumentParser(
|
||
description="将 DOCX、PPTX、XLSX、PDF、HTML 文件或 URL 解析为 Markdown"
|
||
)
|
||
|
||
parser.add_argument("input_path", help="DOCX、PPTX、XLSX、PDF、HTML 文件或 URL")
|
||
|
||
parser.add_argument(
|
||
"-n",
|
||
"--context",
|
||
type=int,
|
||
default=2,
|
||
help="与 -s 配合使用，指定每个检索结果包含的前后行数（不包含空行）",
|
||
)
|
||
|
||
group = parser.add_mutually_exclusive_group()
|
||
group.add_argument(
|
||
"-c", "--count", action="store_true", help="返回解析后的 markdown 文档的总字数"
|
||
)
|
||
group.add_argument(
|
||
"-l", "--lines", action="store_true", help="返回解析后的 markdown 文档的总行数"
|
||
)
|
||
group.add_argument(
|
||
"-t",
|
||
"--titles",
|
||
action="store_true",
|
||
help="返回解析后的 markdown 文档的标题行（1-6级）",
|
||
)
|
||
group.add_argument(
|
||
"-tc",
|
||
"--title-content",
|
||
help="指定标题名称，输出该标题及其下级内容（不包含#号）",
|
||
)
|
||
group.add_argument(
|
||
"-s",
|
||
"--search",
|
||
help="使用正则表达式搜索文档，返回所有匹配结果（用---分隔）",
|
||
)
|
||
|
||
args = parser.parse_args()
|
||
|
||
# 实例化所有 readers
|
||
readers = [ReaderCls() for ReaderCls in READERS]
|
||
|
||
try:
|
||
content, failures = parse_input(args.input_path, readers)
|
||
except FileDetectionError as e:
|
||
print(f"错误: {e}")
|
||
sys.exit(1)
|
||
except ReaderNotFoundError as e:
|
||
print(f"错误: {e}")
|
||
sys.exit(1)
|
||
|
||
if content is None:
|
||
print("所有解析方法均失败:")
|
||
for failure in failures:
|
||
print(failure)
|
||
sys.exit(1)
|
||
|
||
# 处理内容
|
||
content = process_content(content)
|
||
|
||
# 输出结果
|
||
output_result(content, args)
|
||
|
||
|
||
if __name__ == "__main__":
|
||
main()
|