triclick-doc-toolset 1.1.4

Advanced document partitioning and processing toolset

Triclick Doc Toolset

一个基于管道架构的文档处理工具集

项目架构理念

核心设计原则

本项目采用管道-策略-命令三层架构模式，实现了高度可配置、可扩展的文档处理框架：

1. 管道架构 (Pipeline Architecture)

• 声明式配置：通过YAML配置文件定义处理流程，实现业务逻辑与代码分离
• 流式处理：数据在管道中流转，每个阶段都对上下文进行增量处理
• 可组合性：不同的管道配置可以组合出不同的处理流程

2. 策略模式 (Strategy Pattern)

• 执行策略：支持顺序执行(sequential)和并行执行(parallel)两种模式
• 优先级控制：通过数值优先级控制策略和命令的执行顺序
• 条件执行：支持基于上下文条件的动态命令执行

3. 命令模式 (Command Pattern)

• 统一接口：所有处理逻辑封装为Command，提供统一的执行接口
• 自动注册：通过CommandRegistry实现命令的自动发现和注册
• 条件判断：每个命令都有is_satisfied和check_condition机制

架构层次

Pipeline (管道层)
├── Strategy (策略层)
│   ├── ExecMode: sequential/parallel
│   ├── Priority: 数值优先级
│   └── Commands: 命令列表
└── Command (命令层)
    ├── is_satisfied(): 前置条件检查
    ├── check_condition(): 运行时条件检查
    └── execute(): 核心执行逻辑

数据流转

项目采用Context上下文对象作为数据载体，在管道中流转：

Context {
    doc_type: 文档类型识别结果
    document_uri: 输入文档路径
    sections: 解析出的文档段落结构
    metadata: 元数据字典
    errors: 错误信息收集
    generated_files: 生成的文件列表
}

配置驱动

管道配置示例

pipeline:
  strategies:
    - name: detect_file_type
      exec_mode: sequential
      priority: 1
      commands:
        - type: FileTypeIdentificationCommand
          name: detect_file_type
          priority: 1
    
    - name: parse_by_type
      exec_mode: sequential
      priority: 2
      commands:
        - type: DocxFileParseCommand
          condition: "doc_type == 'docx'"
          priority: 1

扩展性设计

1. 命令扩展

• 继承Command基类
• 实现is_satisfied()和execute()方法
• 通过CommandRegistry.register()注册

2. 策略扩展

• 新增执行模式枚举值
• 在Strategy.apply()中实现对应逻辑

3. 管道扩展

• 创建新的YAML配置文件
• 定义策略组合和执行顺序

领域特化

项目针对文档处理领域进行了特化设计：

文档解析层

• 多格式支持：DOCX、RTF等格式的统一处理接口
• 结构化解析：标题、表格、脚注的结构化提取
• 元数据保留：段落索引、样式信息的完整保留

业务规则层

• 模式匹配：基于正则表达式的标题和脚注模式识别
• 引用解析："Same as Table X.Y"等业务规则的自动处理
• 文件命名：基于内容标签的智能文件命名

输出管理层

• 路径去重：自动处理文件名冲突
• 样式保留：完整保留原文档的格式和样式
• 批量处理：支持单文件和文件夹的批量处理

工程实践

缓存机制

• 管道缓存：基于配置文件修改时间的智能缓存
• 线程安全：使用锁机制保证并发安全

错误处理

• 优雅降级：单个命令失败不影响整体流程
• 错误收集：统一的错误信息收集和报告机制

资源管理

• 路径解析：支持打包后的资源文件访问
• 内存优化：流式处理避免大文件内存占用

使用方式

基础用法

from triclick_doc_toolset import run_generation, run_review

# 运行生成流水线
result = run_generation("input.docx", "output/")

# 运行评审流水线  
result = run_review("input.docx", "output/")

自定义管道

from triclick_doc_toolset import run_pipeline

result = run_pipeline("custom_pipeline.yaml", "input.docx", "output/")

项目结构

triclick-doc-toolset/
├── pipelines/              # 管道配置文件
│   ├── generation.yaml     # 生成流水线
│   ├── review.yaml         # 评审流水线
│   └── title_table_footnote_patterns.yaml  # 模式配置
├── src/triclick_doc_toolset/
│   ├── framework/          # 核心框架
│   │   ├── pipeline.py     # 管道实现
│   │   ├── strategy.py     # 策略实现
│   │   ├── command.py      # 命令基类
│   │   ├── context.py      # 上下文对象
│   │   └── command_registry.py  # 命令注册表
│   ├── commands/           # 具体命令实现
│   ├── common/             # 通用组件
│   │   ├── models/         # 数据模型
│   │   ├── utils/          # 工具函数
│   │   ├── rules/          # 业务规则
│   │   └── word/           # Word文档处理
│   └── service.py          # 服务入口
└── tests/                  # 测试用例

这种架构设计使得项目具备了良好的可维护性、可扩展性和可测试性，能够灵活应对不同的文档处理需求。