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
74 lines
2.2 KiB
Python
74 lines
2.2 KiB
Python
"""文件类型检测模块，用于验证和检测输入文件类型。"""
|
||
|
||
import os
|
||
import zipfile
|
||
from typing import List, Optional
|
||
|
||
|
||
def _is_valid_ooxml(file_path: str, required_files: List[str]) -> bool:
|
||
"""验证 OOXML 格式文件（DOCX/PPTX/XLSX）"""
|
||
try:
|
||
with zipfile.ZipFile(file_path, "r") as zip_file:
|
||
names = set(zip_file.namelist())
|
||
return all(r in names for r in required_files)
|
||
except (zipfile.BadZipFile, zipfile.LargeZipFile):
|
||
return False
|
||
|
||
|
||
_DOCX_REQUIRED = ["[Content_Types].xml", "_rels/.rels", "word/document.xml"]
|
||
_PPTX_REQUIRED = ["[Content_Types].xml", "_rels/.rels", "ppt/presentation.xml"]
|
||
_XLSX_REQUIRED = ["[Content_Types].xml", "_rels/.rels", "xl/workbook.xml"]
|
||
|
||
|
||
def is_valid_docx(file_path: str) -> bool:
|
||
"""验证文件是否为有效的 DOCX 格式"""
|
||
return _is_valid_ooxml(file_path, _DOCX_REQUIRED)
|
||
|
||
|
||
def is_valid_pptx(file_path: str) -> bool:
|
||
"""验证文件是否为有效的 PPTX 格式"""
|
||
return _is_valid_ooxml(file_path, _PPTX_REQUIRED)
|
||
|
||
|
||
def is_valid_xlsx(file_path: str) -> bool:
|
||
"""验证文件是否为有效的 XLSX 格式"""
|
||
return _is_valid_ooxml(file_path, _XLSX_REQUIRED)
|
||
|
||
|
||
def is_valid_pdf(file_path: str) -> bool:
|
||
"""验证文件是否为有效的 PDF 格式"""
|
||
try:
|
||
with open(file_path, "rb") as f:
|
||
header = f.read(4)
|
||
return header == b"%PDF"
|
||
except (IOError, OSError):
|
||
return False
|
||
|
||
|
||
def is_html_file(file_path: str) -> bool:
|
||
"""判断文件是否为 HTML 文件（仅检查扩展名）"""
|
||
ext = file_path.lower()
|
||
return ext.endswith(".html") or ext.endswith(".htm")
|
||
|
||
|
||
def is_url(input_str: str) -> bool:
|
||
"""判断输入是否为 URL"""
|
||
return input_str.startswith("http://") or input_str.startswith("https://")
|
||
|
||
|
||
_FILE_TYPE_VALIDATORS = {
|
||
".docx": is_valid_docx,
|
||
".pptx": is_valid_pptx,
|
||
".xlsx": is_valid_xlsx,
|
||
".pdf": is_valid_pdf,
|
||
}
|
||
|
||
|
||
def detect_file_type(file_path: str) -> Optional[str]:
|
||
"""检测文件类型，返回 'docx'、'pptx'、'xlsx' 或 'pdf'"""
|
||
ext = os.path.splitext(file_path)[1].lower()
|
||
validator = _FILE_TYPE_VALIDATORS.get(ext)
|
||
if validator and validator(file_path):
|
||
return ext.lstrip(".")
|
||
return None
|