docparser-core

独立文档解析的核心层：统一 IR、统一错误码、能力抽象、注册表、格式嗅探、策略与引擎编排。 零 native 依赖（仅 serde），不含任何具体格式实现——格式后端在 docparser-pdf / docparser-office 等 crate 中。

安装

cargo add docparser-core                                        # 内核 + 文本族（md/csv/html）

cargo add docparser-core --no-default-features                  # 只要内核：IR + 引擎 + txt

cargo add docparser-core --no-default-features --features md    # 只加 markdown

特性

txt 是底座（字节流读取 + 空行分段 + IR 组装），始终编译。 关掉某个 feature 后该格式不注册，engine 遇到对应扩展名返回 unsupported（不 panic）。 依赖树只有 serde，与开关无关；省下的是编译进来的代码量（实测 rlib 1.03 MB → 1.18 MB）。

需要开箱即用（含 PDF / Office 后端）时用门面 crate：

cargo add docparser-sdk

组成

用法

use docparser_core::{DocumentEngine, Registry};

let mut reg = Registry::new();
docparser_core::plugins::text::register_defaults(&mut reg); // txt/md/csv/html
let engine = DocumentEngine::new(reg);

let doc = engine.parse("note.md")?;
println!("{} pages, {} blocks", doc.pages.len(), doc.pages[0].blocks.len());

接入 PDF/Office 只需注册对应后端：

docparser_pdf::register_defaults(&mut reg);
docparser_office::register_defaults(&mut reg);

错误语义

解析失败返回 DocError，code 是跨后端稳定的结论：

• encrypted / unsupported 是终止码，不会回退到兜底后端（避免真结论被兜底掩盖）；
• corrupt 表示后端链耗尽；
• 处理链（OCR / layout）失败不致命，写入 meta["warnings"]。

许可

MIT OR Apache-2.0