DOCX、PPTX、XLSX mineru是使用什么技术实现的

[ojslee]

DOCX、PPTX、XLSX mineru是使用什么技术实现的

[dosubot[bot]]

MinerU 对三种 Office 格式分别使用了不同的 Python 库来实现解析和转换：

• DOCX：使用 python-docx 解析文档结构，同时使用 mammoth 将文档转换为 HTML（主要用于表格等需要完整上下文的场景）[1]。核心实现在 DocxConverter 类中 [2]，支持段落、表格、页眉页脚、列表、超链接以及 OMML 公式转 LaTeX 等。

• PPTX：使用 pypptx-with-oxml（python-pptx 的增强分支）解析幻灯片 [3]。核心实现在 PptxConverter 类中 [4]，支持文本、表格、图片提取、图表数据读取，并使用 XY-Cut++ 算法进行阅读顺序检测 [5]。

• XLSX：使用 openpyxl 读取 Excel 文件 [6]。核心实现在 XlsxConverter 类中 [7]，支持多工作表、合并单元格、图片提取、富文本格式和 OMML 公式解析，并使用 BFS 算法进行表格区域检测。

三种格式的转换器共享统一架构：解析后都输出标准化的中间 JSON 格式，便于后续统一处理。

To reply, just mention @dosu.

---

Share context across your team and agents. Try Dosu.