lanyuanxiaoyao
6c003d73f3
从归档的 unify-document-readers change 同步 delta specs 到主 specs 目录。 新增 specs： - document-reading - 统一文档读取核心能力 - docx-reader - DOCX 文档解析能力 - xlsx-reader - XLSX 文档解析能力 - pptx-reader - PPTX 文档解析能力 - pdf-reader - PDF 文档解析能力（含 OCR） - html-reader - HTML/URL 文档解析能力
3.9 KiB
3.9 KiB
Purpose
PDF 文档解析能力（含 OCR），支持多种解析方法。
Requirements
Requirement: PDF 文档解析
系统 SHALL 支持解析 PDF 格式文档，按优先级尝试多个解析器，OCR 优先。
Scenario: 按优先级尝试解析器
- WHEN 解析 PDF 文档
- THEN 系统按 docling OCR → unstructured OCR → docling → unstructured → markitdown → pypdf 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: 无 --high-res 参数
系统 SHALL NOT 提供 --high-res 参数来控制是否使用 OCR，OCR 解析器直接加入解析器链。
Scenario: 不接受 --high-res 参数
- WHEN 用户使用 --high-res 参数
- THEN 系统提示该参数不存在
Requirement: docling OCR 解析器
系统 SHALL 支持使用 docling 库的 OCR 模式解析 PDF。
Scenario: docling OCR 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 OCR 解析器
系统 SHALL 支持使用 unstructured 库的 hi_res 策略+PaddleOCR 解析 PDF。
Scenario: unstructured OCR 解析成功
- WHEN unstructured 和 unstructured-paddleocr 库可用且文档有效
- THEN 系统返回 Markdown 内容
Scenario: unstructured OCR 依赖未安装
- WHEN unstructured 或 unstructured-paddleocr 库未安装
- THEN 系统尝试下一个解析器
Requirement: docling 解析器（非 OCR）
系统 SHALL 支持使用 docling 库的非 OCR 模式解析 PDF。
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（非 OCR）
系统 SHALL 支持使用 unstructured 库的 fast 策略解析 PDF。
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 PDF。
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: pypdf 解析器
系统 SHALL 支持使用 pypdf 库解析 PDF。
Scenario: pypdf 解析成功
- WHEN pypdf 库可用且文档有效
- THEN 系统返回 Markdown 内容
Scenario: pypdf 库未安装
- WHEN pypdf 库未安装
- THEN 系统返回失败信息
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 OCR 解析器在独立文件
- WHEN 使用 docling OCR 解析器
- THEN 从 readers/pdf/docling_ocr.py 导入
Scenario: unstructured OCR 解析器在独立文件
- WHEN 使用 unstructured OCR 解析器
- THEN 从 readers/pdf/unstructured_ocr.py 导入
Scenario: docling 解析器在独立文件
- WHEN 使用 docling 解析器
- THEN 从 readers/pdf/docling.py 导入
Scenario: unstructured 解析器在独立文件
- WHEN 使用 unstructured 解析器
- THEN 从 readers/pdf/unstructured.py 导入
Scenario: markitdown 解析器在独立文件
- WHEN 使用 markitdown 解析器
- THEN 从 readers/pdf/markitdown.py 导入
Scenario: pypdf 解析器在独立文件
- WHEN 使用 pypdf 解析器
- THEN 从 readers/pdf/pypdf.py 导入