MMDocParser

一个专业的文档解析服务，支持提取文档中的文字、图片、表格、公式等信息。

功能特性

• 🚀 异步处理：基于Sanic的高性能异步Web框架
• 📁 多格式支持：PDF、DOCX、XLSX等
• 🔄 任务队列：Redis任务队列，支持异步处理
• ☁️ 云存储：S3兼容存储，支持大文件
• 📊 状态跟踪：实时查询任务状态和结果
• 🏥 健康检查：服务健康状态监控

快速开始

1. 环境要求

• Python 3.12+
• Redis 6.0+
• S3兼容存储（MinIO/AWS S3）

2. 安装依赖

# 使用uv安装
uv sync

3. 配置环境变量

# 复制环境变量模板
cp .env.template .env

# 编辑配置

4. 启动服务

# 方式1：使用启动脚本
python run.py

# 方式2：直接运行
sanic main:app --host 0.0.0.0 --port 8000 --workers 4

API接口

1. 上传文档

POST /api/v1/documents/upload
Content-Type: application/json

{
  "files": [
    {
      "name": "document.pdf",
      "content": "base64编码的文件内容"
    }
  ]
}

2. 查询任务状态

GET /api/v1/tasks/{task_id}/status

3. 获取解析结果

GET /api/v1/tasks/{task_id}/result

4. 健康检查

GET /health

项目结构

MMDocParser/
├── main.py                 # 主应用文件
├── run.py                  # 启动脚本
├── config.py               # 配置管理
├── storage/                # 存储相关
│   ├── s3_client.py       # S3客户端
│   └── redis_client.py    # Redis客户端
├── parsers/                # 文档解析器
│   └── document_parser.py # 解析器基类和实现
├── utils/                  # 工具函数
│   └── validators.py      # 验证工具
└── pyproject.toml         # 项目配置

开发指南

添加新的文档格式支持

1. 在 parsers/document_parser.py 中创建新的解析器类
2. 继承 DocumentParser 基类
3. 实现 parse() 和 can_parse() 方法
4. 在 DocumentParserFactory 中注册新解析器

部署

Docker部署

生产环境配置

许可证

MIT License

贡献

欢迎提交Issue和Pull Request！