真实产品把文档解析入口放在本机工具箱与对话上传中，不要求用户离开工作区另开网页转换。
NexcoreFileRead 是 NexcoreWork 的本地文档读取层。它把 PDF、Office、图片、HTML 与数据文件变成 Agent 可消费的结构化 Markdown。
这个仓库由原 TianShu2Markdown 演进而来，保留原项目历史和 MIT 许可，同时把定位从 “一个文档转换网页”调整为“智能体可调用的文件读取基础设施”。
因为“读到了字”不等于“读懂了文档”：
- PDF 公式被拆成表格碎片；
- Word / PPT 里的图片静默消失；
- PDF 链接只剩文字；
- 扫描件没有文本层，最后返回空内容；
- 原始文件被拿去云端转换；
- 转换结果没有标明用了 PDF、Office 还是 OCR 引擎。
NexcoreFileRead 的响应会明确告诉调用方：本次使用了哪个引擎、是否走过 OCR、是否发生降级， 以及有哪些警告。
Word / Excel / PowerPoint / HTML / CSV / JSON
└─ 浏览器零依赖解析：ZIP + XML + DOMParser
PDF / 扫描件 / 公式 / 内嵌图片 / 复杂 Office
└─ NexcoreFileRead 本地服务
├─ PyMuPDF：文本、链接、图片
├─ RapidOCR：扫描 PDF 与图片离线识别
├─ MarkItDown：Office / HTML / 数据格式分派
└─ Office ZIP：内嵌图片提取
输出：有长度上限的结构化 Markdown
基础格式不依赖 Python 服务；高保真路径按需启动。服务不可用时，NexcoreWork 自动回退到浏览器 内置解析，不会让上传流程整体失败。
git clone https://github.com/yan-stone-computer/NexcoreFileRead.git
cd NexcoreFileRead
python -m pip install -r requirements.txt
python launcher.py默认只监听 127.0.0.1:8765。
POST /api/convert
Content-Type: multipart/form-data
file=<document>{
"filename": "paper.pdf",
"markdown": "## 第 1 页\n\nln(Sit) = α0 + β1 ln(Pit)...",
"ocr": false,
"engine": "pymupdf",
"warnings": []
}仓库包含可运行样例：
python -m unittest discover -s tests -v回归测试覆盖：
- 公式 PDF 能产出分页 Markdown；
- Office 内嵌图片原样提取，不经重编码；
- 本地服务健康检查返回明确版本。
主项目组合调用已实测：NexcoreWork 通过 multipart 将 Word 文件转发给本服务，并拿回
markitdown+office-images 产出的结构化 Markdown。
| 格式 | 文本 | 图片 | 链接 | 扫描件 OCR |
|---|---|---|---|---|
| 是 | 是 | 是 | 是 | |
| DOCX / PPTX / XLSX | 是 | 是 | 视格式 | 图片可单独识别 |
| 图片 | OCR 文本 | 原图内嵌 | 不适用 | 是 |
| HTML | 是 | 视输入 | 是 | 不适用 |
| CSV / JSON / TXT | 是 | 不适用 | 保留原文 | 不适用 |
- 只接受回环地址客户端；
- 单文件上限 100 MB；
- 不执行文档中的宏、脚本或嵌入对象；
- 不处理加密文档；
- 不保存请求长期状态；
- OCR 结果会标记为 OCR，不冒充原文；
- 纯图片公式只能识别，不能保证上下标完全正确。
如果你有转换后公式、图片或链接丢失的文档，欢迎脱敏后提交到 Issue 和样例集。
- 本仓库：MIT，见 LICENSE。
- 上游基础：Microsoft MarkItDown，MIT。
- PDF：PyMuPDF。
- OCR：RapidOCR + ONNX Runtime。
- Office 图片提取和 NexcoreWork 集成由 Nexcore 团队实现。
原 TianShu2Markdown 的 MarkItDown 二次开发归属说明继续适用。