docparser-cli 0.1.0

docparser 命令行：PDF / DOCX / XLSX / PPTX / TXT / MD / CSV / HTML → text / markdown / json
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

# docparser-cli


独立文档解析命令行：PDF / DOCX / XLSX / PPTX / TXT / MD / CSV / HTML → `text` / `markdown` / `json`。

```bash
cargo install docparser-cli
docparser-cli doctor                       # 环境自检：PDFium / OCR 引擎 / 模型
docparser-cli parse report.pdf             # 默认 JSON（统一 IR）
docparser-cli parse report.docx -f markdown
docparser-cli backends                     # 已注册后端与形态
docparser-cli batch a.pdf b.docx -j 4      # 多进程并发，stdout 每文件一行 JSON
```

## 运行时依赖


| 依赖 | 必需性 | 说明 |
| --- | --- | --- |
| PDFium 动态库 | 仅 PDF | `DOCPARSER_PDFIUM_LIB`（推荐）或 `<exe>/../lib/…` |
| `docparser-ocr` 可执行文件 | 仅扫描件 | `DOCPARSER_OCR_BIN`；缺失时降级纯文本 |
| PPOCRv5 模型目录 | 仅扫描件 | `DOCPARSER_OCR_MODELS` |
| `DOCPARSER_OCR_IMAGES=1` | 可选 | 开启 PDF 嵌入图文字识别（默认关） |

## 错误语义


失败时 stderr 输出 `{"error":{"code":…,"message":…}}`，**退出码 2**：

| code | 含义 |
| --- | --- |
| `encrypted` | 加密 / 权限受限 |
| `corrupt` | 文件损坏 / 后端链耗尽 |
| `unsupported` | 格式不支持 / 伪装件 |
| `timeout` | 单文件超时 |
| `native_crash` | 底层 native 崩溃 |

`doctor` 有 FAIL 时退出码 1（可直接用于 CI）；`batch` 任一文件失败退出码 1。

## 许可


MIT OR Apache-2.0