#!/usr/bin/env python3 """ Office文档解析测试脚本 - RAG-Anything项目 本脚本演示如何使用MinerU解析各种Office文档格式，包括： - DOC/DOCX (Word文档) - PPT/PPTX (PowerPoint演示文稿) - XLS/XLSX (Excel电子表格) 要求： 1. 系统已安装LibreOffice 2. 已安装RAG-Anything包 使用方法： python office_document_test.py --file 办公文档路径.docx """ import argparse import sys from pathlib import Path from raganything import RAGAnything, RAGAnythingConfig def check_libreoffice_installation(): """ 检查LibreOffice是否已安装并可用 返回: bool: 如果LibreOffice可用返回True，否则返回False """ """ import subprocess # 尝试不同的LibreOffice命令名称 for cmd in ["libreoffice", "soffice"]: try: result = subprocess.run( [cmd, "--version"], capture_output=True, check=True, timeout=10 ) print(f"✅ 找到LibreOffice: {result.stdout.decode().strip()}") return True except ( subprocess.CalledProcessError, FileNotFoundError, subprocess.TimeoutExpired, ): continue # 如果未找到LibreOffice，显示安装指南 print("❌ 未找到LibreOffice. 请安装LibreOffice:") print(" - Windows: 从 https://www.libreoffice.org/download/download/ 下载") print(" - macOS: brew install --cask libreoffice") print(" - Ubuntu/Debian: sudo apt-get install libreoffice") print(" - CentOS/RHEL: sudo yum install libreoffice") return False """ return True def test_office_document_parsing(file_path: str): """ 测试Office文档解析功能 参数: file_path (str): 要测试的Office文档路径 返回: bool: 解析成功返回True，否则返回False """ # 在test_office_document_parsing函数中添加 import os os.environ["LIBREOFFICE_PATH"] = "C:\\Program Files\\LibreOffice\\program" print(f"🧪 测试Office文档解析: {file_path}") # 检查文件是否存在且是支持的Office格式 file_path = Path(file_path) if not file_path.exists(): print(f"❌ 文件不存在: {file_path}") return False # 支持的文档扩展名列表 supported_extensions = {".doc", ".docx", ".ppt", ".pptx", ".xls", ".xlsx"} if file_path.suffix.lower() not in supported_extensions: print(f"❌ 不支持的文档格式: {file_path.suffix}") print(f" 支持的格式: {', '.join(supported_extensions)}") return False # 显示文档基本信息 print(f"📄 文档格式: {file_path.suffix.upper()}") print(f"📏 文件大小: {file_path.stat().st_size / 1024:.1f} KB") # 初始化RAGAnything(仅用于解析功能) from raganything.config import RAGAnythingConfig config = RAGAnythingConfig(working_dir="./temp_parsing_test") rag = RAGAnything(config=config) try: # 添加MinerU安装检查 from raganything.mineru_parser import MineruParser if not MineruParser.check_installation(): print("❌ MinerU未正确安装") return False # 确保output_dir已定义 output_dir = "./test_output" Path(output_dir).mkdir(exist_ok=True) # 添加PDF转换检查 pdf_path = Path(output_dir) / f"{file_path.stem}.pdf" print(f"PDF转换路径: {pdf_path}") if pdf_path.exists(): print(f"✅ PDF已生成，大小: {pdf_path.stat().st_size}字节") else: print("❌ PDF转换失败") # 使用MinerU测试文档解析 print("\n🔄 使用MinerU测试文档解析...") # 使用绝对路径确保输出目录位置明确 output_dir = Path("d:/dsWork/dsProject/dsRagAnything/Tools/test_output").absolute() output_dir.mkdir(exist_ok=True) content_list, md_content = rag.parse_document( file_path=str(file_path), output_dir=str(output_dir), parse_method="auto", display_stats=True, ) # 检查输出目录内容 print(f"\n📂 输出目录内容({output_dir}):") for f in output_dir.glob("*"): print(f" - {f.name}") print("✅ 解析成功!") print(f" 📊 内容块数量: {len(content_list)}") print(f" 📝 Markdown长度: {len(md_content)} 字符") # 分析内容类型分布 content_types = {} for item in content_list: if isinstance(item, dict): content_type = item.get("type", "unknown") content_types[content_type] = content_types.get(content_type, 0) + 1 if content_types: print(" 📋 内容类型分布:") for content_type, count in sorted(content_types.items()): print(f" • {content_type}: {count}") # 显示解析内容预览 if md_content.strip(): print("\n📄 解析内容预览(前500字符):") preview = md_content.strip()[:500] print(f" {preview}{'...' if len(md_content) > 500 else ''}") # 显示文本块示例 text_items = [ item for item in content_list if isinstance(item, dict) and item.get("type") == "text" ] if text_items: print("\n📝 文本块示例:") for i, item in enumerate(text_items[:3], 1): text_content = item.get("text", "") if text_content.strip(): preview = text_content.strip()[:200] print( f" {i}. {preview}{'...' if len(text_content) > 200 else ''}" ) # 检查图片内容 image_items = [ item for item in content_list if isinstance(item, dict) and item.get("type") == "image" ] if image_items: print(f"\n🖼️ 找到 {len(image_items)} 张图片:") for i, item in enumerate(image_items, 1): print(f" {i}. 图片路径: {item.get('img_path', 'N/A')}") # 检查表格内容 table_items = [ item for item in content_list if isinstance(item, dict) and item.get("type") == "table" ] if table_items: print(f"\n📊 找到 {len(table_items)} 个表格:") for i, item in enumerate(table_items, 1): table_body = item.get("table_body", "") row_count = len(table_body.split("\n")) print(f" {i}. 包含 {row_count} 行的表格") print("\n🎉 Office文档解析测试成功完成!") print("📁 输出文件保存到: ./test_output") return True # 在test_office_document_parsing函数中添加 pdf_path = Path(output_dir) / f"{file_path.stem}.pdf" print(f"PDF文件内容预览(前100字符): {pdf_path.read_text()[:100]}") except Exception as e: print(f"\n❌ Office文档解析失败: {str(e)}") import traceback print(f" 完整错误: {traceback.format_exc()}") return False def main(): """ 主函数 处理命令行参数并执行测试 """ # 固定文档路径 file_path = r"../Txt/小学数学教学中的若干问题_MATH_1.docx" # 检查LibreOffice安装 print("🔧 检查LibreOffice安装状态...") if not check_libreoffice_installation(): return 1 # 运行解析测试 try: success = test_office_document_parsing(file_path) return 0 if success else 1 except KeyboardInterrupt: print("\n⏹️ 测试被用户中断") return 1 except Exception as e: print(f"\n❌ 发生意外错误: {str(e)}") return 1 if __name__ == "__main__": sys.exit(main())