import fs from 'fs/promises';
import path from 'path';
import mammoth from 'mammoth';
import pdfParse from 'pdf-parse';
import AdmZip from 'adm-zip';
import { parseString } from 'xml2js';
/**
* 文件解析器
* 负责将不同格式的文件转换为纯文本
*/
export class FileParser {
/**
* 根据文件扩展名解析文件内容
* @param filePath 文件路径
* @returns 文件文本内容
*/
async parseFile(filePath: string): Promise<string> {
const ext = path.extname(filePath).toLowerCase();
try {
switch (ext) {
case '.txt':
case '.md':
return await this.parseText(filePath);
case '.pdf':
return await this.parsePDF(filePath);
case '.docx':
return await this.parseDOCX(filePath);
case '.pptx':
return await this.parsePPTX(filePath);
default:
// 尝试作为纯文本读取
return await this.parseText(filePath);
}
} catch (error) {
throw new Error(`解析文件失败 ${filePath}: ${error}`);
}
}
/**
* 解析纯文本文件
* @param filePath 文件路径
* @returns 文本内容
*/
private async parseText(filePath: string): Promise<string> {
const buffer = await fs.readFile(filePath);
return buffer.toString('utf-8');
}
/**
* 解析 PDF 文件
* @param filePath 文件路径
* @returns 提取的文本内容
*/
private async parsePDF(filePath: string): Promise<string> {
const buffer = await fs.readFile(filePath);
const data = await pdfParse(buffer);
return data.text;
}
/**
* 解析 DOCX 文件
* @param filePath 文件路径
* @returns 转换为 Markdown 的文本内容
*/
private async parseDOCX(filePath: string): Promise<string> {
const buffer = await fs.readFile(filePath);
// mammoth 没有 convertToMarkdown，使用 convertToHtml 然后提取文本
const result = await mammoth.extractRawText({ buffer });
return result.value;
}
/**
* 解析 PPTX 文件
* @param filePath 文件路径
* @returns 提取的文本内容
*/
private async parsePPTX(filePath: string): Promise<string> {
const buffer = await fs.readFile(filePath);
const zip = new AdmZip(buffer);
const zipEntries = zip.getEntries();
const textContents: string[] = [];
// PPTX 结构：ppt/slides/slide*.xml 包含幻灯片内容
for (const entry of zipEntries) {
if (entry.entryName.match(/ppt\/slides\/slide\d+\.xml/)) {
const xml = entry.getData().toString('utf8');
const text = await this.extractTextFromSlideXML(xml);
if (text.trim()) {
textContents.push(text);
}
}
}
return textContents.join('\n\n---\n\n');
}
/**
* 从幻灯片 XML 中提取文本
* @param xml XML 字符串
* @returns 提取的文本
*/
private async extractTextFromSlideXML(xml: string): Promise<string> {
return new Promise((resolve, reject) => {
parseString(xml, (err, result) => {
if (err) {
reject(err);
return;
}
const texts: string[] = [];
// 递归提取所有 <a:t> 标签的内容（文本节点）
const extractText = (obj: any) => {
if (!obj) return;
if (typeof obj === 'object') {
// 如果是 <a:t> 标签，提取文本
if (obj['a:t']) {
const textArray = obj['a:t'];
if (Array.isArray(textArray)) {
textArray.forEach((item: any) => {
if (typeof item === 'string') {
texts.push(item);
} else if (item._) {
texts.push(item._);
}
});
}
}
// 递归处理所有子对象
Object.values(obj).forEach(value => {
if (typeof value === 'object') {
extractText(value);
}
});
}
};
extractText(result);
resolve(texts.join(' '));
});
});
}
/**
* 提取文件标题
* @param filePath 文件路径
* @param content 文件内容
* @returns 文件标题
*/
extractTitle(filePath: string, content: string): string {
// 优先使用文件名
const fileName = path.basename(filePath, path.extname(filePath));
// 如果是 Markdown，尝试提取一级标题
if (path.extname(filePath) === '.md') {
const match = content.match(/^#\s+(.+)$/m);
if (match) {
return match[1].trim();
}
}
// 如果是 PPTX，尝试提取第一行作为标题
if (path.extname(filePath) === '.pptx') {
const firstLine = content.split('\n')[0];
if (firstLine && firstLine.length > 0 && firstLine.length < 100) {
return firstLine.trim();
}
}
return fileName;
}
}
