Initial commit: AI 知识库文档智能分块工具

parsers/base.py

@@ -0,0 +1,62 @@
+"""BaseParser 抽象基类和 ParserRegistry 解析器注册表"""
+
+import os
+from abc import ABC, abstractmethod
+from typing import List
+
+from exceptions import ParseError, UnsupportedFormatError
+
+
+class BaseParser(ABC):
+    """文件解析器抽象基类"""
+
+    @abstractmethod
+    def supported_extensions(self) -> List[str]:
+        """返回支持的文件扩展名列表，如 ['.pdf']"""
+        pass
+
+    @abstractmethod
+    def parse(self, file_path: str) -> str:
+        """
+        解析文件并返回纯文本/Markdown 内容。
+
+        Args:
+            file_path: 文件路径
+
+        Returns:
+            提取的文本内容（Markdown 格式优先）
+
+        Raises:
+            ParseError: 文件损坏、格式不支持或编码无法识别时抛出
+        """
+        pass
+
+
+class ParserRegistry:
+    """根据文件扩展名自动选择合适的解析器"""
+
+    def __init__(self):
+        self._parsers: List[BaseParser] = []
+
+    def register(self, parser: BaseParser) -> None:
+        """注册一个解析器"""
+        self._parsers.append(parser)
+
+    def get_parser(self, file_path: str) -> BaseParser:
+        """
+        根据文件扩展名返回对应的解析器。
+
+        Args:
+            file_path: 文件路径
+
+        Returns:
+            匹配的解析器实例
+
+        Raises:
+            UnsupportedFormatError: 未找到匹配的解析器时抛出
+        """
+        ext = os.path.splitext(file_path)[1].lower()
+        for parser in self._parsers:
+            if ext in parser.supported_extensions():
+                return parser
+        raise UnsupportedFormatError(os.path.basename(file_path), ext)