api/syllabus_utils.py

# syllabus_utils.py
"""
工具函数：
- 解析 Syllabus（.docx / .pdf/ .pptx）
- 提取课程大纲 topics
"""

import os
from typing import List

from docx import Document
from pypdf import PdfReader

from config import DEFAULT_COURSE_TOPICS


def parse_syllabus_docx(path: str) -> List[str]:
    """
    从 .docx 文件中提取课程大纲。
    这里做一个简单版本：按段落抽取，过滤空行。
    后面如果你想按 Week 0/1/2 更精细地切，可以再优化这里。
    """
    doc = Document(path)
    paragraphs = [p.text.strip() for p in doc.paragraphs if p.text and p.text.strip()]

    # 如果包含 "Week" 这样的前缀，用这些段落作为 topics
    week_like = [p for p in paragraphs if p.lower().startswith("week ")]
    if week_like:
        return week_like

    # 否则就截取前若干行当作大纲
    return paragraphs[: len(DEFAULT_COURSE_TOPICS)] or DEFAULT_COURSE_TOPICS


def parse_syllabus_pdf(path: str) -> List[str]:
    """
    简单版 PDF 解析：
    - 把所有页面的文本抽出来
    - 按空行切成 chunk
    - 返回非空 chunk 列表
    """
    reader = PdfReader(path)
    pages_text = []
    for page in reader.pages:
        text = page.extract_text() or ""
        if text.strip():
            pages_text.append(text)

    full_text = "\n".join(pages_text)

    # 按空行分段
    raw_chunks = [chunk.strip() for chunk in full_text.split("\n\n")]
    chunks = [c for c in raw_chunks if c]

    # 作为 syllabus 使用时，我们只取前若干段作为“课程大纲”
    return chunks[: len(DEFAULT_COURSE_TOPICS)] or DEFAULT_COURSE_TOPICS


from pptx import Presentation  #  python-pptx

def parse_pptx_slides(path: str) -> List[str]:
    """
    从 .pptx 文件中抽取每一页 slide 的文本，返回一个字符串列表。
    - 每一页作为一个文本块（RAG 的一个 chunk）
    - 只收集有文字的 shape
    """
    prs = Presentation(path)
    slide_texts: List[str] = []

    for slide in prs.slides:
        lines: List[str] = []
        for shape in slide.shapes:
            if hasattr(shape, "text") and shape.text:
                txt = shape.text.strip()
                if txt:
                    lines.append(txt)
        if lines:
            slide_texts.append("\n".join(lines))

    return slide_texts


def extract_course_topics_from_file(file_obj, doc_type: str) -> List[str]:
    """
    根据上传文件和 doc_type 提取课程大纲 topics。
    - 只有 doc_type == "Syllabus" 时才尝试从文件解析；否则用默认大纲。
    - 支持 .docx + .pdf
    """
    if file_obj is None:
        return DEFAULT_COURSE_TOPICS

    if doc_type != "Syllabus":
        # 不是 Syllabus，就不要动课程大纲（可以用默认）
        return DEFAULT_COURSE_TOPICS

    # Gradio File 对象通常有 .name 属性（临时文件路径）
    file_path = getattr(file_obj, "name", None)
    if not file_path:
        return DEFAULT_COURSE_TOPICS

    ext = os.path.splitext(file_path)[1].lower()

    try:
        if ext == ".docx":
            topics = parse_syllabus_docx(file_path)
        elif ext == ".pdf":
            topics = parse_syllabus_pdf(file_path)
        else:
            print(f"[Syllabus] Unsupported file type for syllabus: {ext}")
            topics = DEFAULT_COURSE_TOPICS
    except Exception as e:
        print(f"[Syllabus] parse error: {repr(e)}")
        topics = DEFAULT_COURSE_TOPICS

    # 最后兜底，避免返回空列表
    return topics or DEFAULT_COURSE_TOPICS