document-reader

通用文档读取工具，支持 PDF/DOCX/XLSX/PPTX/RTF/ODT 等多种文档格式，也支持 ZIP/TAR.GZ/RAR/7Z 等主流压缩包内文档直接读取

Document Reader - 通用文档读取技能

读取各种格式文档的内容，直接输出文本供 AI 分析。支持压缩包内文档直接读取，无需手动解压。

📦 支持格式

文档

格式	扩展名	说明
PDF	.pdf	支持文本提取，依赖 poppler-utils
Microsoft Word	.docx	完整提取所有段落文本
Microsoft Excel	.xlsx	按 Sheet 输出，每个 Sheet 输出为表格文本
Microsoft PowerPoint	.pptx	按 Slide 分块输出
Rich Text Format	.rtf
OpenDocument Text	.odt
HTML	.html/.htm	提取正文文本
纯文本	.txt/.md/.json/.xml/.py/.js 等	直接读取

压缩包

格式	扩展名	功能
ZIP	.zip	列出文件 ➜ 读取指定文档
TAR	.tar/.tar.gz/.tgz/.tar.bz2	列出文件 ➜ 读取指定文档
RAR	.rar	列出文件 ➜ 读取指定文档
7-Zip	.7z	列出文件 ➜ 读取指定文档

🚀 快速开始

依赖安装

Python 包：

bash

pip install textract python-docx openpyxl python-pptx rarfile py7zr --break-system-packages

系统依赖（Ubuntu/Debian）：

bash

apt-get install -y poppler-utils antiword unrtf tidy libxml2-dev libxslt1-dev

💡 使用示例

1. 直接读取本地文档

bash

# 读取 PDF 文件
python {baseDir}/scripts/document_reader.py --file /path/to/document.pdf

# 读取 Word 文档
python {baseDir}/scripts/document_reader.py --file /path/to/report.docx

# 读取 Excel 文件（输出带 Sheet 分隔的表格文本）
python {baseDir}/scripts/document_reader.py --file /path/to/data.xlsx

# JSON 格式输出（方便程序处理）
python {baseDir}/scripts/document_reader.py --file /path/to/data.xlsx --format json

2. 处理压缩包

先列出压缩包里有哪些文件：

bash

# 列出 ZIP 包内容
python {baseDir}/scripts/document_reader.py --list /path/to/archive.zip

# 列出 RAR 包内容
python {baseDir}/scripts/document_reader.py --list /path/to/archive.rar

# 列出 7z 包内容
python {baseDir}/scripts/document_reader.py --list /path/to/archive.7z

读取压缩包里的指定文档：

bash

# 读取 ZIP 包内的 Word 文档
python {baseDir}/scripts/document_reader.py --file /path/to/archive.zip --inner-path document.docx

# 读取 7z 包内的 PDF
python {baseDir}/scripts/document_reader.py --file /path/to/archive.7z --inner-path report.pdf

输出示例

读取文档：

text

=== report.pdf ===

# 项目进度报告

## 本周完成

1. 完成了前端界面开发
2. 修复了三个 Bug
3. 编写了接口文档

...

列出压缩包：

text

Archive: data.zip
Found 3 file(s):

  readme.txt
  docs/report.pdf
  data/sheet.xlsx

✨ 特性

• 🎯 开箱即用 — 装完依赖直接用，无需复杂配置
• 📦 支持压缩包 — 不用手动解压，直接列出并读取内部文件
• 🔍 模糊匹配 — 大小写不敏感匹配文件名，找不到精确匹配时自动尝试
• 🎨 多种输出格式 — 人类可读文本 / JSON 程序接口都支持
• 🧩 完整支持所有常用格式 — 办公文档+压缩包全覆盖

📝 使用场景

• AI 分析各种办公文档
• 批量读取压缩包内的文档内容
• 快速查看附件内容
• 数据提取和预处理

作者

Created by xiaoya Liu with OpenClaw