dify-file-parser 1.0.0

基于 Dify 项目文件处理功能抽离的通用文件解析器

文件解析器 (File Parser)

一个基于 Dify 项目文件处理功能抽离的通用文件解析器，支持多种文件格式转换为 AI 可识别的文本。

功能特性

• 📄 支持多种文件格式：PDF、Word、Excel、PowerPoint、图片、文本等
• 🔍 集成 OCR 技术，支持图片文字识别
• 🚀 高性能异步处理
• 🔧 模块化设计，易于扩展
• 📝 统一的文本输出格式
• 🛡️ 错误处理和日志记录

支持的文件格式

格式	扩展名	状态	说明
PDF	.pdf	✅	支持文本提取和 OCR
Word	.docx, .doc	✅	支持文档内容提取
Excel	.xlsx, .xls	✅	支持表格数据提取
PowerPoint	.pptx, .ppt	✅	支持幻灯片内容提取
图片	.jpg, .jpeg, .png, .bmp, .tiff	✅	支持 OCR 文字识别
文本	.txt, .md	✅	直接文本读取
CSV	.csv	✅	表格数据解析

快速开始

安装依赖

pip install -r requirements.txt

基本使用

from file_parser import FileParser

# 创建解析器实例
parser = FileParser()

# 解析单个文件
result = await parser.parse_file("document.pdf")
print(result.text)

# 批量解析文件
files = ["doc1.pdf", "doc2.docx", "image.png"]
results = await parser.parse_files(files)
for result in results:
    print(f"文件: {result.filename}")
    print(f"内容: {result.text[:100]}...")

项目结构

file-parser/
├── file_parser/           # 核心模块
│   ├── __init__.py
│   ├── base.py           # 基础解析器类
│   ├── parsers/          # 具体解析器实现
│   │   ├── __init__.py
│   │   ├── pdf_parser.py
│   │   ├── word_parser.py
│   │   ├── excel_parser.py
│   │   ├── ppt_parser.py
│   │   ├── image_parser.py
│   │   └── text_parser.py
│   ├── ocr/              # OCR 相关功能
│   │   ├── __init__.py
│   │   └── tesseract_ocr.py
│   └── utils/            # 工具函数
│       ├── __init__.py
│       └── file_utils.py
├── tests/                # 测试文件
├── examples/             # 示例代码
├── requirements.txt      # 依赖列表
└── README.md

许可证

MIT License