from PyPDF2 import PdfReader import docx import traceback import re # 导入正则表达式库 class NovelOutlineParser: def parse(self, file_path): """ 解析 PDF, DOCX, 或 TXT 文件。 返回一个字典: {"text": 纯文本内容, "headings": 提取的标题列表, "error": 错误信息} """ text = None headings = [] # 初始化标题列表 error = None try: if not file_path: return {"text": "", "headings": [], "error": "没有提供文件路径"} print(f"ℹ️ 开始解析文件: {file_path}") file_path_lower = file_path.lower() if file_path_lower.endswith('.pdf'): # PDF 提取标题比较困难，暂时只提取文本 text = self._parse_pdf(file_path) headings = ["(PDF暂不支持提取标题)"] # 给出提示 print("✅ PDF 文件解析完成 (未提取标题)。") elif file_path_lower.endswith('.docx'): text, headings = self._parse_docx(file_path) # 返回文本和标题列表 print(f"✅ DOCX 文件解析完成 (提取到 {len(headings)} 个标题)。") elif file_path_lower.endswith('.txt'): text, headings = self._parse_txt(file_path) # 返回文本和标题列表 print(f"✅ TXT 文件解析完成 (尝试提取了 {len(headings)} 个标题)。") else: error = "不支持的文件类型，请上传 .pdf, .docx 或 .txt 文件。" print(f"🚨 {error}") if text is None and error is None: error = f"未能从文件中提取文本内容 ({file_path})" print(f"🚨 {error}") except Exception as e: error = f"解析文件时发生意外错误: {str(e)}" print(f"🚨 {error}") traceback.print_exc() return {"text": text or "", "headings": headings or [], "error": error} def _parse_pdf(self, path): # (PDF 解析逻辑保持不变，只返回文本) text_content = [] try: with open(path, 'rb') as f: reader = PdfReader(f) if reader.is_encrypted: try: reader.decrypt('') except: print(f"🚨 PDF '{path}' 需要密码。"); return None for page in reader.pages: extracted = page.extract_text() if extracted: text_content.append(extracted) return "\n".join(text_content) except Exception as e: print(f"🚨 解析 PDF '{path}' 出错: {e}"); return None def _parse_docx(self, path): """解析 DOCX，提取文本和标题""" paragraphs_text = [] headings_list = [] try: doc = docx.Document(path) for para in doc.paragraphs: # 检查段落样式是否以 "Heading" 开头 (如 Heading 1, Heading 2) # 同时确保段落有实际文本内容 if para.style and para.style.name.lower().startswith('heading') and para.text.strip(): heading_text = para.text.strip() headings_list.append(heading_text) # 可以在文本中也加入标记，方便阅读上下文 paragraphs_text.append(f"\n### {heading_text}\n") # 使用 Markdown 标记 elif para.text.strip(): # 只添加非空段落 paragraphs_text.append(para.text) # 注意：这里简单地用换行符连接所有段落文本 # 如果需要更复杂的格式保留，逻辑会更复杂 full_text = "\n".join(paragraphs_text) return full_text, headings_list except Exception as e: print(f"🚨 解析 DOCX 文件 '{path}' 时出错: {e}") return None, [] # 出错时返回 None 和空列表 def _parse_txt(self, path): """解析 TXT，提取文本，并尝试识别标题""" lines = [] headings_list = [] full_text_lines = [] encodings_to_try = ['utf-8', 'gbk', 'gb2312'] content = None # --- 尝试读取文件 --- for enc in encodings_to_try: try: with open(path, 'r', encoding=enc) as f: content = f.read() print(f" 成功使用编码 {enc} 读取 TXT 文件。") break # 读取成功即跳出循环 except UnicodeDecodeError: print(f" 尝试编码 {enc} 失败...") except Exception as read_error: print(f" 使用编码 {enc} 读取时出错: {read_error}"); continue # 尝试下一种编码 if content is None: print(f"🚨 无法解码 TXT 文件 '{path}'。"); return None, [] # --- 尝试识别标题 --- lines = content.splitlines() # 按行分割 for i, line in enumerate(lines): line_stripped = line.strip() is_heading = False heading_text = "" # 规则 1: Markdown 标题 (#, ##, ###) if line_stripped.startswith('#'): match = re.match(r"^(#+)\s+(.*)", line_stripped) if match: heading_text = match.group(2).strip() if heading_text: headings_list.append(heading_text) full_text_lines.append(f"\n{line_stripped}\n") # 保留原始 Markdown 格式 is_heading = True # 规则 2: 中文章节标题 (如 "第一章 xxx", "第十章 xxx") # (需要根据您的实际格式调整正则表达式) if not is_heading: match_chinese_chapter = re.match(r"^\s*(第\s*[一二三四五六七八九十百千万零〇\d]+\s*[章回卷节部篇])([^ ].*)?$", line_stripped) if match_chinese_chapter: heading_text = line_stripped headings_list.append(heading_text) full_text_lines.append(f"\n### {heading_text}\n") # 添加 Markdown 标记 is_heading = True # 规则 3: 可能是标题的短行（例如，居中或独立成行，前后有空行 - 此处简化判断） # (这个规则比较模糊，容易误判，可以根据需要开启或细化) # if not is_heading and len(line_stripped) > 0 and len(line_stripped) < 20: # 假设标题比较短 # # 检查前后是否是空行（或文件边界） # prev_line_empty = (i == 0) or (not lines[i-1].strip()) # next_line_empty = (i == len(lines)-1) or (not lines[i+1].strip()) # if prev_line_empty and next_line_empty: # heading_text = line_stripped # headings_list.append(heading_text) # full_text_lines.append(f"\n### {heading_text}\n") # is_heading = True # 如果不是标题，则添加普通文本行 if not is_heading: full_text_lines.append(line) # 保留原始行（可能包含空行） full_text = "\n".join(full_text_lines) return full_text, headings_list print("✅ `document_parser.py` (支持提取标题) 文件创建完成。")