harshankur/officeParser

解决的问题

officeParser 是一个通用文档解析器和生成器，旨在处理各种办公文件格式。它解决了从 DOCX、PDF、XLSX 等碎片化格式中提取结构化数据，并将其转换为统一的抽象语法树（AST）的问题，该 AST 可轻松转换为其他格式或用于 AI 流水线。

工作原理

该库将输入文件解析为丰富且分层的 AST。此 AST 作为中间表示，使库能够支持大量输入和输出格式。用户随后可以使用 OfficeGenerator 将此 AST 转换为特定输出，例如 Markdown、HTML 或纯文本。它还集成了 OCR 引擎（通过 Tesseract），用于从文档中的图像提取文本。

适用人群

• 开发者：构建文档处理流水线的人。
• AI/LLM 工程师：需要为 RAG（检索增强生成）流水线准备高保真数据的人。
• Web 开发者：创建将办公文档转换为网页就绪格式工具的人。

主要亮点

• 广泛格式支持：支持 12 种格式，包括 DOCX、PPTX、XLSX、PDF、ODT 和 EPUB。
• RAG 就绪分块：原生支持文档结构、固定大小和语义分块策略。
• 基于 AST 的架构：提供严格类型化的 AST，便于对文档内容进行深度检查和操作。
• 灵活输出：可生成 Markdown、HTML、CSV、RTF、PDF、EPUB 和纯文本。
• OCR 集成：内置 OCR 功能，用于扫描文档和图像中的文本提取。
• 跨平台：可在 Node.js 和浏览器中运行。