doc-processor

# 文档处理 Skill (Doc Processor) 统一的本地文档处理工具，支持多种格式的读取、写入、转换、合并和数据提取。 ## 支持格式 | 格式 | 扩展名 | 读取 | 写入 | 转换 | 合并 | 提取 | |------|--------|------|------|------|------|------| | PDF | `.pdf` | ✅ | ❌ | ⚠️ | ❌ | ✅ | | Word | `.docx` | ✅ | ✅ | ✅ | ✅ | ✅ | | Excel | `.xlsx` | ✅ | ✅ | ✅ | ✅ | ✅ | | CSV | `.csv` | ✅ | ✅ | ✅ | - | ✅ | | 文本 | `.txt` | ✅ | ✅ | ✅ | - | ✅ | | Markdown | `.md` | ✅ | ✅ | ✅ | - | ✅ | **注意**: - ❌ 不支持 `.doc` 和 `.xls` 旧格式（需先用 LibreOffice 转换） - ✅ PDF 处理使用系统工具 `poppler-utils` ## v2.7.11 重要变更 ### AI 功能已移除 **v2.7.11 起，AI 功能（AI 摘要、AI 分析）已移除**，原因： 1. **职责单一**: doc-processor 专注文档处理 2. **架构优化**: AI 能力由 OpenClaw 主程序统一提供 3. **简化配置**: 无需单独配置 LLM_BASE_URL 等环境变量 4. **提升安全**: 移除网络请求，消除 ClawHub 安全标记 **如需 AI 功能**，请使用 OpenClaw 主程序的 LLM 能力： ```python # 1. 使用 doc-processor 读取文档 content = doc_processor.read('report.docx') # 2. 将内容发送给 OpenClaw 的 LLM 进行摘要/分析 # (通过 OpenClaw 的消息系统或 API) ``` ### 受影响的 API 以下方法已移除或修改： | 方法 | 原功能 | 新行为 | |------|--------|--------| | `ContentAdapter.__init__(ai_service_type)` | AI 服务配置 | 参数已移除 | | `DocumentProcessor.__init__(ai_service_type)` | AI 服务配置 | 参数已移除 | | `create_ai_service()` | 创建 AI 服务 | 抛出 NotImplementedError | | `summarize_document()` | AI 摘要 | 抛出 NotImplementedError | ### 迁移指南 **原代码 (v2.7.10)**: ```python processor = DocumentProcessor(ai_service_type='hybrid') summary = processor.summarize_document('file.docx') ``` **新代码 (v2.7.11)**: ```python # 1. 读取文档 processor = DocumentProcessor() content = processor.read('file.docx') # 2. 使用 OpenClaw 主程序进行 AI 处理 # (具体方式取决于 OpenClaw 的实现) ``` ## 安装 ### 一键安装 ```bash cd ~/.openclaw/workspace/skills/doc-processor ./setup.sh ``` **安装脚本说明**: - ✅ 标准 pip 操作，安装 Python 依赖 - ✅ 依赖列表：python-docx, openpyxl, pandas, python-dotenv - ✅ 从官方 PyPI 或可信镜像源安装 - ✅ 无恶意代码，完全开源 详情见：[SECURITY.md](SECURITY.md) ### 手动安装 **1. 安装系统依赖** ```bash # Linux (Debian/Ubuntu) sudo apt install poppler-utils # Linux (RHEL/CentOS) sudo yum install poppler-utils # macOS brew install poppler ``` **2. 安装 Python 依赖** ```bash # 使用默认官方源 ./setup.sh # 使用清华镜像源（中国大陆推荐） ./setup.sh https://pypi.tuna.tsinghua.edu.cn/simple # 或使用环境变量 export PIP_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple ./setup.sh # 其他镜像源 ./setup.sh https://pypi.mirrors.ustc.edu.cn/simple ``` **3. 验证安装** ```bash python3 check_deps.py ``` ## 使用示例 ### 获取文档信息 ```bash ./scripts/doc-info.sh report.pdf ``` ### 读取文档 ```bash # 读取 PDF ./scripts/doc-read.sh report.pdf # 读取 Word（包含表格） ./scripts/doc-read.sh meeting.docx # 读取 Excel（所有 sheet） ./scripts/doc-read.sh data.xlsx ``` ### 写入文档 ```bash # 写入 Word echo '{"title": "报告", "paragraphs": ["第一段", "第二段"]}' | \ ./scripts/doc-write.sh -o output.docx # 写入 Excel echo '[["姓名", "年龄"], ["张三", 25], ["李四", 30]]' | \ ./scripts/doc-write.sh -o data.xlsx ``` ### 格式转换 ```bash # Word 转 CSV ./scripts/doc-convert.sh table.docx table.csv # Excel 转 Word ./scripts/doc-convert.sh data.xlsx report.docx # PDF 转文本 ./scripts/doc-convert.sh report.pdf report.txt ``` ### 合并文档 ```bash # 合并 Word 文档 ./scripts/doc-merge.sh part1.docx part2.docx -o merged.docx # 合并 Excel（每个文件→独立 sheet） ./scripts/doc-merge.sh q1.xlsx q2.xlsx -o yearly.xlsx ``` ### 提取数据 ```bash # 提取 Word 中的表格 python3 doc_processor.py --action extract \ --input report.docx --options '{"include_tables": true}' # 提取 Excel 指定 sheet python3 doc_processor.py --action extract \ --input data.xlsx --options '{"sheet_names": ["Sheet1"]}' ``` ## Python API ```python from doc_processor import DocumentProcessor processor = DocumentProcessor(workspace="/path/to/workspace") # 获取文档信息 info = processor.get_info("report.docx") print(info.to_dict()) # 读取内容 content = processor.read("report.docx") print(content.data['paragraphs']) # 写入文档 processor.write("output.docx", { "title": "新文档", "paragraphs": ["内容 1", "内容 2"] }) # 转换格式 processor.convert("input.docx", "output.csv") # 合并文档 processor.merge(["a.docx", "b.docx"], "merged.docx") # 提取数据 data = processor.extract("data.xlsx") ``` ## 依赖说明 | 依赖 | 类型 | 用途 | 自动安装 | |------|------|------|---------| | poppler-utils | 系统 | PDF 读取 | ✅ (Linux/macOS) | | python3 | 系统 | 运行环境 | ❌ (需预装) | | python-docx | Python | Word 处理 | ✅ (setup.sh) | | openpyxl | Python | Excel 读写 | ✅ (setup.sh) | | pandas | Python | 数据处理 | ✅ (setup.sh) | ## 更新日志 ### v1.0.4 (2026-03-25) **Bug 修复:** - ✅ 修复 Excel 写入失败问题 - 支持 `{'sheet_name': '...', 'data': [...]}` 格式 - ✅ 修复 Word 合并失败问题 - 正确处理相对路径，避免 "Package not found" 错误 ### v1.0.3 (2026-03-25) **Bug 修复:** - ✅ 修复 CSV→Excel 转换问题 - ✅ 修复 DocInfo 属性问题 ## 常见问题 ### Q: 为什么不支持 .doc 和 .xls？ A: 这些是旧的二进制格式，需要 LibreOffice 转换。建议先用 LibreOffice 转换为 `.docx`/`.xlsx`： ```bash libreoffice --headless --convert-to docx old.doc libreoffice --headless --convert-to xlsx old.xls ``` ### Q: PDF 写入支持吗？ A: 不支持。PDF 是只读格式。如需生成 PDF，可先创建 Word 文档再手动转换。 ### Q: 大文件处理慢怎么办？ A: 建议使用 `--options` 限制读取范围： ```bash # 只读取 PDF 前 5 页 python3 doc_processor.py --action read \ --input large.pdf --options '{"pages": "1-5"}' ``` ## 许可证 MIT License