NekoBot

Appearance

file_parser - 文件解析 ​

字数
561 字
阅读时间
3 分钟

概述 ​

file_parser.py 提供本地文件的文本提取能力，支持 PDF、Word、PowerPoint、Excel、纯文本和代码文件等多种格式。所有方法均为 FileParser 类的静态方法。

核心类 ​

FileParser ​

纯静态方法集合，不维护状态。

python
class FileParser:
    @staticmethod
    def parse_file(file_path, filename=None, max_chars=50000)
    @staticmethod
    def get_parser_type(filename)
    @staticmethod
    def get_file_metadata(file_path, filename=None)
    @staticmethod
    def is_code_file(filename)

支持格式 ​

格式解析类型后端库
.pdfpdfpdfplumber（主），PyPDF2（备）
.docx, .docdocxpython-docx
.pptx, .pptpptxpython-pptx
.xlsx, .xlsexcelopenpyxl
.txt, .csv, .md, .rtftxt / csv / markdown / rtf文本读取
.py, .js, .ts, .java, .go, .rs, ...code文本读取（共 50+ 种扩展名）

方法说明 ​

parse_file(file_path, filename, max_chars) ​

解析文件并提取文本内容。自动检测文件类型，调用对应的解析器。

python
result = FileParser.parse_file("report.pdf")
# → {"success": True, "content": "...", "type": "pdf", "pages": 12, ...}

返回字段：success, content, filename, type, original_length, extracted_length, truncated, file_size，格式特定字段（pages / paragraphs / slides / sheets）。

失败返回 {"success": False, "error": "..."}。

get_parser_type(filename) ​

返回文件的解析类型：code / pdf / docx / pptx / excel / txt / unsupported。

get_file_metadata(file_path, filename) ​

不解析全文，快速获取文件元信息。

python
meta = FileParser.get_file_metadata("presentation.pptx")
# → {"success": True, "filename": "...", "type": "pptx",
#     "extension": ".pptx", "size": 204800, "size_str": "200.0 KB",
#     "slides": 15}

解析器内部实现 ​

  • PDF - 逐页提取文本，页间用 [第 N/M 页] 分隔，超限提前截断
  • DOCX - 提取段落文本和表格内容（[表格内容] 标记），先验证 zip 结构
  • PPTX - 逐幻灯片提取标题和文本框内容
  • Excel - 逐工作表提取单元格值（| 分隔），每表最多 1000 行
  • 代码/文本 - UTF-8 读取，max_chars 截断

全局单例 ​

python
from nbot.core.file_parser import file_parser

result = file_parser.parse_file("data.xlsx")

设计原则 ​

  1. 轻量依赖 - 按需导入后端库，缺失时返回明确错误
  2. 安全截断 - 所有解析器受 max_chars（默认 50000）保护
  3. 统一格式 - 解析结果使用一致的结构化字典
  4. 代码优先 - 代码文件使用纯文本解析而非文档解析器

页面历史