（6581期）document-reader – 全格式文档一键解析，压缩包直读

全格式文档一键解析，压缩包直读 一站式文档解析工具，支持PDF/Office/压缩包等20+格式直接提取文本，无需解压即可读取压缩包内文件。 使用说明 核心用法 document-reader是一款通用文档解析技能，通过命令行工具document_reader.py实现多格式文档的文本提取。支持两种核心模式：直接读取本地文档与压缩包穿透读取。使用时指定--file参数定位目标文件，配合--format json可切换输出格式。针对压缩包场景，先用--list枚举内部文件结构，再通过--inner-path精准提取嵌套文档，实现"不解压、直接读"的高效工作流。 显著优点 格式覆盖全面：原生支持PDF、DOCX、XLSX、PPTX等主流办公格式，以及ZIP/TAR/RAR/7Z四大压缩协议，形成完整的文档处理闭环。 压缩包穿透能力：突破传统工具"先解压后读取"的繁琐流程，支持层级路径直接定位内部文件，大幅提升批量处理效率。 开发者友好：提供JSON结构化输出选项，便于下游程序对接；模糊文件名匹配降低使用门槛。 部署轻量化：基于成熟Python生态（textract、openpyxl等），依赖清晰，无商业授权顾虑。 潜在缺点与局限性 系统依赖较重：PDF解析依赖poppler-utils等二进制组件，跨平台部署时需额外配置环境。 排版信息丢失：提取过程将富文本转为纯文本，表格、样式、图片等元素仅保留文字内容，不适合版式敏感场景。 加密文件受限：未提及对密码保护文档或压缩包的支持，实际使用中可能遭遇阻塞。 性能边界：大体积Excel/压缩包的全量读取可能带来内存压力，缺乏流式处理说明。 适合人群 数据分析师、AI应用开发者、自动化运维人员，以及需要批量提取文档内容进行NLP处理或知识库建设的团队。 常规风险 供应链风险：依赖多个第三方PyPI包，需关注textract、rarfile等库的维护状态与CVE漏洞。 路径遍历隐患：--inner-path参数若未严格校验，压缩包内的恶意路径（如../../../etc/passwd）可能导致安全问题。 敏感信息泄露：批量读取场景下易意外暴露文档中的个人隐私或商业机密，建议配合脱敏流程使用。 原始说明 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