feat: поддержка .doc через LibreOffice headless

- extractor.py: добавлена doc_to_markdown() — .doc → .docx (soffice) → docx_to_markdown()
- Dockerfile: apt install libreoffice-writer
- ARCHITECTURE.md: обновлён статус .doc
- bump: 0.0.16 → 0.0.17

drhider/extractor.py

@@ -4,7 +4,7 @@
 Поддерживает:
 - .docx → MD (python-docx: стили, жирный/курсив, таблицы)
 - .pdf → MD (pdfplumber: текст + таблицы, без форматирования)
-- .doc (бинарный — не парсится, возвращает заглушку)
+- .doc → MD (LibreOffice headless: .doc → .docx → штатный docx_to_markdown)
 - .txt и прочие → как есть
 
 Также содержит:
@@ -14,6 +14,9 @@
 import io
 import os
 import zipfile
+import tempfile
+import shutil
+import subprocess
 import logging
 from typing import List, Tuple
 
@@ -145,6 +148,51 @@ def pdf_to_markdown(content: bytes) -> str:
     return "\n".join(lines)
 
 
+# ═══════════════════════════════════════════════════════════════════════════
+# DOC → Markdown (через LibreOffice)
+# ═══════════════════════════════════════════════════════════════════════════
+
+def doc_to_markdown(content: bytes) -> str:
+    """Конвертировать бинарный .doc → .docx (LibreOffice) → Markdown.
+
+    Использует soffice --headless --convert-to docx, затем прогоняет
+    через штатный docx_to_markdown() с полным форматированием и таблицами.
+
+    Args:
+        content: Бинарное содержимое .doc файла
+
+    Returns:
+        Строка в формате Markdown (или сообщение об ошибке)
+    """
+    tmpdir = tempfile.mkdtemp()
+    doc_path = os.path.join(tmpdir, "input.doc")
+    try:
+        with open(doc_path, 'wb') as f:
+            f.write(content)
+
+        result = subprocess.run(
+            ["soffice", "--headless", "--convert-to", "docx",
+             "--outdir", tmpdir, doc_path],
+            timeout=60, capture_output=True
+        )
+
+        docx_path = os.path.join(tmpdir, "input.docx")
+        if os.path.exists(docx_path):
+            with open(docx_path, 'rb') as f:
+                return docx_to_markdown(f.read())
+
+        stderr = result.stderr.decode('utf-8', errors='replace').strip()
+        log.warning("LibreOffice conversion failed: %s", stderr)
+        return f"[DOC — LibreOffice conversion failed: {stderr}]"
+
+    except FileNotFoundError:
+        return "[DOC — LibreOffice not installed. Install: apt install libreoffice-writer]"
+    except subprocess.TimeoutExpired:
+        return "[DOC — conversion timed out (>60s)]"
+    finally:
+        shutil.rmtree(tmpdir, ignore_errors=True)
+
+
 # ═══════════════════════════════════════════════════════════════════════════
 # Единая точка входа
 # ═══════════════════════════════════════════════════════════════════════════
@@ -176,9 +224,9 @@ def extract_text(fname: str, content: bytes, ctype: str = "") -> str:
         except ImportError:
             return content.decode('utf-8', errors='replace')
 
-    # ── .doc: бинарный — пока не поддерживается ──
+    # ── .doc: бинарный → LibreOffice → DOCX → Markdown ──
     elif ext == '.doc':
-        return "[DOC binary — not supported. Convert to .docx first.]"
+        return doc_to_markdown(content)
 
     # ── .txt и прочие ──
     else: