- name
- document-reader
- description
- 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
- version
- 1.0.0
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 | 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：
pip install textract python-docx openpyxl python-pptx rarfile py7zr --break-system-packages系统依赖（Ubuntu/Debian）：
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
# 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 json2. 处理压缩包
先列出压缩包里有哪些文件：
# 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：
# 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：
=== 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：
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