7758315632
Services: - api: FastAPI gateway with JWT auth, async endpoints, WebSocket - worker-gpu: CUDA sentence-transformers, FAISS IVFFlat, Ollama LLM - worker-indexer: Winnowing+MinHash plagiarism detection, PDF/DOCX extraction - worker-notifier: SMTP email notifications - worker-gost: GOST 7.1-2003 and GOST R 7.0.5-2008 formatting Infrastructure: - docker-compose.yml (production) + docker-compose.dev.yml (hot reload) - Nginx reverse proxy + WebSocket support - PostgreSQL 16 with Alembic migrations - Elasticsearch 8 with Russian/English analyzers - MinIO, RabbitMQ, Redis, Ollama Frontend: - React 18 + Vite + TypeScript + TailwindCSS + Zustand + React Query v5 - 9 pages: Home, Search, Cabinet, Task, Check, Bibliography, Pricing, Login, Register Scripts: - Parser stubs: OpenAlex, КиберЛенинка, arXiv (Phase 0 - to be filled) Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
70 lines
1.9 KiB
Python
70 lines
1.9 KiB
Python
"""Извлечение текста из DOCX файлов через python-docx."""
|
||
|
||
import io
|
||
import logging
|
||
|
||
logger = logging.getLogger(__name__)
|
||
|
||
|
||
def extract_text_from_docx(data: bytes) -> str:
|
||
"""
|
||
Извлечь текст из DOCX файла.
|
||
|
||
Обрабатывает параграфы, таблицы и заголовки.
|
||
|
||
Args:
|
||
data: Байты DOCX файла
|
||
|
||
Returns:
|
||
Извлечённый текст
|
||
|
||
Raises:
|
||
ValueError: Если не удалось открыть DOCX
|
||
"""
|
||
from docx import Document as DocxDocument
|
||
from docx.oxml.ns import qn
|
||
|
||
try:
|
||
doc = DocxDocument(io.BytesIO(data))
|
||
except Exception as e:
|
||
raise ValueError(f"Не удалось открыть DOCX: {e}") from e
|
||
|
||
texts: list[str] = []
|
||
|
||
# Основной текст из параграфов
|
||
for para in doc.paragraphs:
|
||
text = para.text.strip()
|
||
if text:
|
||
texts.append(text)
|
||
|
||
# Текст из таблиц
|
||
for table in doc.tables:
|
||
for row in table.rows:
|
||
for cell in row.cells:
|
||
cell_text = cell.text.strip()
|
||
if cell_text:
|
||
texts.append(cell_text)
|
||
|
||
return "\n".join(texts)
|
||
|
||
|
||
def extract_text_from_txt(data: bytes) -> str:
|
||
"""
|
||
Извлечь текст из TXT файла с определением кодировки.
|
||
|
||
Args:
|
||
data: Байты TXT файла
|
||
|
||
Returns:
|
||
Текст файла
|
||
"""
|
||
# Пробуем UTF-8, затем cp1251 (Windows-1251 для русских текстов)
|
||
for encoding in ("utf-8", "cp1251", "latin-1"):
|
||
try:
|
||
return data.decode(encoding)
|
||
except UnicodeDecodeError:
|
||
continue
|
||
|
||
# Последний вариант — игнорировать ошибки
|
||
return data.decode("utf-8", errors="ignore")
|