Que fait doc-parser ?
Analyse et extrait le contenu de documents Office (DOCX, XLSX, PPTX, PDF) pour les agents IA, en préservant la mise en forme et les métadonnées.
Présentation
Cette compétence permet aux agents IA d'analyser et d'extraire le contenu de documents bureautiques courants, notamment :
- DOCX : Documents Microsoft Word
- XLSX : Classeurs Microsoft Excel
- PPTX : Présentations Microsoft PowerPoint
- PDF : Documents PDF
Installation
pip install python-docx openpyxl PyPDF2
Utilisation
from doc_parser import parse_document
# Analyser un fichier DOCX
contenu = parse_document('document.docx')
print(contenu['text'])
print(contenu['metadata'])
# Analyser un fichier XLSX
contenu = parse_document('classeur.xlsx')
print(contenu['sheets'])
# Analyser un fichier PDF
contenu = parse_document('document.pdf')
print(contenu['text'])
Fonctionnalités
- Extraction de texte préservant la mise en forme
- Support des tableaux et des listes
- Récupération des métadonnées (auteur, date, titre, etc.)
- Gestion des fichiers volumineux
- Compatibilité multi-plateformes
API
| Fonction | Description | Retourne |
|---|---|---|
parse_document(chemin) | Analyse un document et extrait son contenu | dict avec clés text, metadata, structure |
get_metadata(chemin) | Récupère uniquement les métadonnées | dict avec les métadonnées du document |
Exemples
Voir le dossier examples/ pour des scripts d'exemple complets.
Contribution
Les contributions sont les bienvenues ! Veuillez soumettre une pull request ou ouvrir un ticket pour signaler un bug ou suggérer une amélioration.