docparser-sdk 0.1.0

docparser 一体化入口：一次依赖拿到 core + PDF + Office 后端，输出统一 IR
Documentation

docparser-sdk

docparser 的一体化入口：一次依赖拿到 docparser-core + PDF + Office 后端，直接输出统一 IR / Markdown / JSON。

安装

cargo add docparser-sdk                       # 默认含 pdf + office + epub

cargo add docparser-sdk --no-default-features  # 只要核心 + 纯文本（txt/md/csv/html）

特性（默认全开）：

feature 默认 内容
md / csv / html ✅ 透传 docparser-core 的文本族插件
pdf ✅ docparser-pdf（PDFium worker + pdf-extract 兜底）
epub ✅ docparser-epub（EPUB2/3，按标题自适应分章）
office ✅ docparser-office 三格式（= docx + xlsx + pptx）
docx / xlsx / pptx ✅（随 office） 单格式：只编译一种解析器

按需引用（体积从大到小的实际接法）

# 只要 Word（不编译 PDF / Excel / PPT / EPUB）→ 依赖 31 个，rlib 约 0.5 MB

cargo add docparser-sdk --no-default-features --features docx


# 只要 PDF → 依赖 114 个（PDFium 绑定 + 图像栈，重在这一层）

cargo add docparser-sdk --no-default-features --features pdf


# 不要任何二进制格式，只要文本族 → 依赖 9 个

cargo add docparser-sdk --no-default-features --features md,csv,html


# 裸内核（IR + 引擎 + txt）→ 依赖 9 个

cargo add docparser-sdk --no-default-features

参考实测（Windows / rustfmt 无关，--release）：

组合 依赖数 rlib
docparser-core（裸内核） 9 1.03 MB
docparser-core + 文本族 9 1.18 MB
docparser-office 只 docx 26 0.49 MB
docparser-office 三格式 26 0.94 MB
docparser-epub 21 —
docparser-pdf 103 —
docparser-sdk 只 docx 31 —
docparser-sdk 全量 117 —

依赖数用 cargo tree -p <crate> --no-default-features --features <…> --edges normal --prefix none 去重统计；PDF 那 103 个绝大多数是 pdfium-render / image 的传递依赖，裁不掉。

最终二进制差多少：同一个 fn main 只调 docparser_sdk::parse，--release 产物在 Windows 上 features = ["docx"] 是 0.43 MB，默认全量是 4.06 MB（差 3.6 MB，几乎全在 PDFium 绑定与 图像栈）。命令行工具 docparser-cli（全格式 + clap + serde_json）为 4.69 MB。

用法

// 开箱即用：内置后端已注册
let doc = docparser_sdk::parse("report.pdf")?;
println!("{} pages", doc.pages.len());

let md = docparser_sdk::parse_markdown("spec.docx")?;
let json = docparser_sdk::parse_json("sheet.xlsx")?;

// 需要定制后端链 / 超时 / OCR 时
let engine = docparser_sdk::engine_with(docparser_sdk::BackendPolicy {
    enable_ocr: true,
    max_pages: 50,
    ..Default::default()
});
let doc = engine.parse("scanned.pdf")?;

底层 crate 通过重导出随时可达：docparser_sdk::core::…、docparser_sdk::pdf::…、 docparser_sdk::office::…、docparser_sdk::epub::…。 需要自定义后端时实现 core::plugin::ParseCapability / FormatPlugin 并注册到 core::Registry，行为与内置后端完全等价。

运行时依赖

PDF 需要 PDFium 动态库（DOCPARSER_PDFIUM_LIB 或 <exe>/../lib/）， 扫描件需要 docparser-ocr 可执行文件与模型目录。详见 docparser-pdf 的 README。

许可

MIT OR Apache-2.0