lyxy-document/openspec/specs/docx-reader/spec.md at e0c6ed16385e51c24b97bf29145e94ec111872ba

Files

lanyuanxiaoyao 0dd7aa221c feat: 新增 LibreOffice soffice DOCX 解析器

- 新增 scripts/readers/docx/libreoffice.py
- 在 MarkItDown 之后、python-docx 之前插入解析器
- 新增 tests/test_readers/test_docx/test_libreoffice.py
- 更新 openspec/specs/docx-reader/spec.md

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

2026-03-15 22:04:39 +08:00

4.4 KiB

Raw Blame History

Purpose

DOCX 文档解析能力，支持多种解析方法。

Requirements

Requirement: DOCX 文档解析

系统 SHALL 支持解析 DOCX 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 DOCX 文档
THEN 系统按 docling → unstructured → pypandoc-binary → MarkItDown → LibreOffice → python-docx → XML原生解析的顺序尝试

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: docling 解析器

系统 SHALL 支持使用 docling 库解析 DOCX。

Scenario: docling 解析成功

WHEN docling 库可用且文档有效
THEN 系统返回 Markdown 内容

Scenario: docling 库未安装

WHEN docling 库未安装
THEN 系统尝试下一个解析器

Requirement: unstructured 解析器

系统 SHALL 支持使用 unstructured 库解析 DOCX。

Scenario: unstructured 解析成功

WHEN unstructured 库可用且文档有效
THEN 系统返回 Markdown 内容

Scenario: unstructured 库未安装

WHEN unstructured 库未安装
THEN 系统尝试下一个解析器

Requirement: markitdown 解析器

系统 SHALL 支持使用 markitdown 库解析 DOCX。

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 DOCX。

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: python-docx 解析器

系统 SHALL 支持使用 python-docx 库解析 DOCX。

Scenario: python-docx 解析成功

WHEN python-docx 库可用且文档有效
THEN 系统返回 Markdown 内容，保留标题层级、列表、表格、粗体、斜体等格式

Scenario: python-docx 库未安装

WHEN python-docx 库未安装
THEN 系统尝试下一个解析器

Requirement: XML 原生解析器

系统 SHALL 支持使用 XML 原生解析 DOCX。

Scenario: XML 原生解析成功

WHEN 文档有效
THEN 系统返回 Markdown 内容，保留标题层级、列表、表格等格式

Scenario: XML 原生解析失败

WHEN XML 原生解析失败
THEN 系统返回失败信息

Requirement: LibreOffice 解析器

系统 SHALL 支持使用 LibreOffice soffice 命令行解析 DOCX。

Scenario: LibreOffice 解析成功

WHEN soffice 可用且文档有效
THEN 系统返回 Markdown 内容

Scenario: LibreOffice 未安装

WHEN soffice 未在 PATH 中
THEN 系统尝试下一个解析器

Scenario: LibreOffice 转换超时

WHEN soffice 执行超过 60 秒
THEN 系统返回超时错误并尝试下一个解析器

Scenario: LibreOffice 转换失败

WHEN soffice 返回非零退出码
THEN 系统返回失败信息并尝试下一个解析器

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: docling 解析器在独立文件

WHEN 使用 docling 解析器
THEN 从 readers/docx/docling.py 导入

Scenario: unstructured 解析器在独立文件

WHEN 使用 unstructured 解析器
THEN 从 readers/docx/unstructured.py 导入

Scenario: markitdown 解析器在独立文件

WHEN 使用 markitdown 解析器
THEN 从 readers/docx/markitdown.py 导入

Scenario: pypandoc 解析器在独立文件

WHEN 使用 pypandoc 解析器
THEN 从 readers/docx/pypandoc.py 导入

Scenario: python-docx 解析器在独立文件

WHEN 使用 python-docx 解析器
THEN 从 readers/docx/python_docx.py 导入

Scenario: XML 原生解析器在独立文件

WHEN 使用 XML 原生解析器
THEN 从 readers/docx/native_xml.py 导入

Scenario: LibreOffice 解析器在独立文件

WHEN 使用 LibreOffice 解析器
THEN 从 readers/docx/libreoffice.py 导入

4.4 KiB Raw Blame History