lanyuanxiaoyao
b80c635f07
为所有 Reader 的 parser 循环添加 try-except 防护层，确保即使 parser 抛出意外异常，降级链也能继续尝试下一个 parser。 主要变更： - 所有 Reader (DocxReader/PdfReader/XlsxReader/PptxReader/HtmlReader) 的 parse 方法中添加防护层，捕获意外异常并标记为 [意外异常] - cleaner.clean_html_content() 添加异常处理，返回 (content, error) 元组 - HtmlReader.parse() 更新 cleaner 调用方式，处理新的返回值格式 - BaseReader 添加详细的异常处理规范文档 设计原则：双层异常保护 - Parser 层：捕获预期的解析失败（库未安装、格式不支持） - Reader 层：捕获意外的编程错误（NoneType、索引越界等）
57 lines
1.5 KiB
Python
57 lines
1.5 KiB
Python
"""DOCX 文件阅读器，支持多种解析方法。"""
|
|
|
|
import os
|
|
from typing import List, Optional, Tuple
|
|
|
|
from scripts.readers.base import BaseReader
|
|
from scripts.utils import is_valid_docx
|
|
|
|
from . import docling
|
|
from . import unstructured
|
|
from . import markitdown
|
|
from . import pypandoc
|
|
from . import python_docx
|
|
from . import native_xml
|
|
|
|
|
|
PARSERS = [
|
|
("docling", docling.parse),
|
|
("unstructured", unstructured.parse),
|
|
("pypandoc-binary", pypandoc.parse),
|
|
("MarkItDown", markitdown.parse),
|
|
("python-docx", python_docx.parse),
|
|
("XML 原生解析", native_xml.parse),
|
|
]
|
|
|
|
|
|
class DocxReader(BaseReader):
|
|
"""DOCX 文件阅读器"""
|
|
|
|
def supports(self, file_path: str) -> bool:
|
|
return file_path.lower().endswith('.docx')
|
|
|
|
def parse(self, file_path: str) -> Tuple[Optional[str], List[str]]:
|
|
failures = []
|
|
|
|
# 检查文件是否存在
|
|
if not os.path.exists(file_path):
|
|
return None, ["文件不存在"]
|
|
|
|
# 验证文件格式
|
|
if not is_valid_docx(file_path):
|
|
return None, ["不是有效的 DOCX 文件"]
|
|
|
|
content = None
|
|
|
|
for parser_name, parser_func in PARSERS:
|
|
try:
|
|
content, error = parser_func(file_path)
|
|
if content is not None:
|
|
return content, failures
|
|
else:
|
|
failures.append(f"- {parser_name}: {error}")
|
|
except Exception as e:
|
|
failures.append(f"- {parser_name}: [意外异常] {type(e).__name__}: {str(e)}")
|
|
|
|
return None, failures
|