harshankur/officeParser

解決的問題

officeParser 是一個通用文件解析器與產生器，專為處理多種辦公室文件格式而設計。它解決了從 DOCX、PDF、XLSX 等碎片化格式中提取結構化資料，並轉換為統一的抽象語法樹（AST）的問題，此 AST 可輕鬆轉換為其他格式或用於 AI 流程中。

如何運作

該程式庫將輸入檔案解析為豐富且階層化的 AST。此 AST 作為中間表示，讓程式庫能支援廣泛的輸入與輸出格式。使用者可使用 OfficeGenerator 將此 AST 轉換為特定輸出，例如 Markdown、HTML 或純文字。同時也內建 OCR 引擎（透過 Tesseract），可從文件中的圖片提取文字。

適用對象

• 開發者：建構文件處理流程的人。
• AI/LLM 工程師：需要為 RAG（檢索增強生成）流程準備高保真資料的人。
• Web 開發者：開發將辦公文件轉換為網頁就緒格式工具的人。

主要特色

• 廣泛格式支援：支援 12 種格式，包括 DOCX、PPTX、XLSX、PDF、ODT 和 EPUB。
• RAG 就緒分塊：原生支援文件結構、固定大小與語意分塊策略。
• 基於 AST 的架構：提供嚴格類型化的 AST，便於深入檢視與操作文件內容。
• 彈性輸出：可產生 Markdown、HTML、CSV、RTF、PDF、EPUB 與純文字。
• OCR 整合：內建 OCR 功能，可用於掃描文件與圖片中的文字提取。
• 跨平台：可在 Node.js 與瀏覽器中運作。