docparser-office 0.1.0

# docparser-office


DOCX / XLSX / PPTX 后端：`zip` + `quick-xml` **流式**解析（无全局锁、无 libexpat），
解析路径为单线程流式，不引入 `rayon`。

## 安装


```bash
cargo add docparser-office                                        # 三格式全要
cargo add docparser-office --no-default-features --features docx  # 只要 Word
# 或 cargo add docparser-sdk --no-default-features --features docx

```

### 特性


| feature | 默认 | 作用 |
| --- | --- | --- |
| `docx` | ✅ | Word：正文段落、`w:tbl` 表格、文本框（`w:txbxContent`）、`w:tab`/`w:br` |
| `xlsx` | ✅ | Excel：多 sheet 分页、共享字符串、`numFmt` 数字/日期、逐单元格 |
| `pptx` | ✅ | PowerPoint：多 slide 分页、文本框/表格/组合形状递归/图表框 |

被裁掉的格式不注册，解析该扩展名返回 `unsupported`。三种格式共用同一套 `zip` +
`quick-xml`，所以依赖树相同（26 个），差别在编译进来的代码量：只开 `docx` 时
`rlib` 487 KB，三格式全开 938 KB。`docparser_office::FORMATS` 反映实际编译进来的格式。

## 用法


```rust
use docparser_core::{DocumentEngine, Registry};

let mut reg = Registry::new();
docparser_core::plugins::text::register_defaults(&mut reg);
docparser_office::register_defaults(&mut reg);

let doc = DocumentEngine::new(reg).parse("spec.xlsx")?;
println!("{}", docparser_core::emit::to_markdown(&doc));
```

## 覆盖范围


当前是 **raw 文本模式**：以段落为单位输出 `BlockKind::Paragraph`，不还原标题层级与列表结构。

| 格式 | 提取内容 |
| --- | --- |
| `.docx` | 正文段落、`w:tbl` 表格单元格文本、文本框（`w:txbxContent`）、`w:tab`/`w:br` |
| `.xlsx` | 多 sheet（每 sheet 一页）、共享字符串、`numFmt` 数字/日期格式化、逐单元格文本 |
| `.pptx` | 多 slide（每 slide 一页）、文本框、表格单元格、组合形状递归、图表框文本 |

legacy `.doc/.xls/.ppt`（OLE）不解析：`router` 会识别为 `ole`，没有对应插件时返回
`unsupported`。加密件（OLE 容器包 OOXML）在嗅探阶段即判定为 `encrypted`。

## 许可


MIT OR Apache-2.0