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
30 lines
837 B
Python
30 lines
837 B
Python
"""使用 pypandoc-binary 库解析 DOC 文件"""
|
|
|
|
from typing import Optional, Tuple
|
|
|
|
|
|
def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
|
|
"""使用 pypandoc-binary 库解析 DOC 文件"""
|
|
try:
|
|
import pypandoc
|
|
except ImportError:
|
|
return None, "pypandoc-binary 库未安装"
|
|
|
|
try:
|
|
content = pypandoc.convert_file(
|
|
source_file=file_path,
|
|
to="md",
|
|
format="doc",
|
|
outputfile=None,
|
|
extra_args=["--wrap=none"],
|
|
)
|
|
except OSError as exc:
|
|
return None, f"pypandoc-binary 缺少 Pandoc 可执行文件: {exc}"
|
|
except RuntimeError as exc:
|
|
return None, f"pypandoc-binary 解析失败: {exc}"
|
|
|
|
content = content.strip()
|
|
if not content:
|
|
return None, "文档为空"
|
|
return content, None
|