lanyuanxiaoyao
cf10458dd6
- 新增 DocReader，支持 markitdown 和 pypandoc-binary 解析器 - 新增 XlsReader，支持 unstructured、markitdown 和 pandas+xlrd 解析器 - 新增 PptReader，支持 markitdown 解析器 - 添加 olefile 依赖用于验证 OLE2 格式 - 更新 config.py 添加 doc/xls/ppt 依赖配置 - 更新 --advice 支持 doc/xls/ppt 格式 - 添加相应的测试用例 - 同步 specs 到主目录
1.6 KiB
1.6 KiB
Purpose
DOC 文档解析能力，支持解析 Microsoft Word 97-2003 旧格式文档。
Requirements
Requirement: DOC 文档解析
系统 SHALL 支持解析 .doc 格式文档，按优先级尝试多个解析器。
Scenario: 按优先级尝试解析器
- WHEN 解析 DOC 文档
- THEN 系统按 markitdown → pypandoc-binary 的顺序尝试
Scenario: 成功解析
- WHEN 任一解析器成功
- THEN 系统返回解析结果
Scenario: 所有解析器失败
- WHEN 所有解析器均失败
- THEN 系统返回失败列表并退出非零状态码
Requirement: markitdown 解析器
系统 SHALL 支持使用 markitdown 库解析 DOC。
Scenario: markitdown 解析成功
- WHEN markitdown 库可用且文档有效
- THEN 系统返回 Markdown 内容
Scenario: markitdown 库未安装
- WHEN markitdown 库未安装
- THEN 系统尝试下一个解析器
Requirement: pypandoc-binary 解析器
系统 SHALL 支持使用 pypandoc-binary 库解析 DOC。
Scenario: pypandoc 解析成功
- WHEN pypandoc-binary 库可用且文档有效
- THEN 系统返回 Markdown 内容
Scenario: pypandoc-binary 库未安装
- WHEN pypandoc-binary 库未安装
- THEN 系统尝试下一个解析器
Requirement: 每个解析器独立文件
系统 SHALL 将每个解析器实现为独立的单文件模块。
Scenario: markitdown 解析器在独立文件
- WHEN 使用 markitdown 解析器
- THEN 从 readers/doc/markitdown.py 导入
Scenario: pypandoc 解析器在独立文件
- WHEN 使用 pypandoc 解析器
- THEN 从 readers/doc/pypandoc.py 导入