v0.0.30: .doc поддержка — accept + liberta API вместо LibreOffice

drhider/extractor.py

@@ -149,14 +149,14 @@ def pdf_to_markdown(content: bytes) -> str:
 
 
 # ═══════════════════════════════════════════════════════════════════════════
-# DOC → Markdown (через LibreOffice)
+# DOC → Markdown (через сервис liberta)
 # ═══════════════════════════════════════════════════════════════════════════
 
 def doc_to_markdown(content: bytes) -> str:
-    """Конвертировать бинарный .doc → .docx (LibreOffice) → Markdown.
+    """Конвертировать бинарный .doc → .docx (сервис liberta) → Markdown.
 
-    Использует soffice --headless --convert-to docx, затем прогоняет
+    Отправляет .doc на HTTP-сервис конвертации, получает .docx,
-    через штатный docx_to_markdown() с полным форматированием и таблицами.
+    затем прогоняет через штатный docx_to_markdown().
 
     Args:
         content: Бинарное содержимое .doc файла
@@ -164,33 +164,27 @@ def doc_to_markdown(content: bytes) -> str:
     Returns:
         Строка в формате Markdown (или сообщение об ошибке)
     """
-    tmpdir = tempfile.mkdtemp()
+    import httpx
-    doc_path = os.path.join(tmpdir, "input.doc")
+    url = os.environ.get(
+        "CONVERT_SERVICE_URL",
+        "https://liberta.containerk8s.dev.nubes.ru/convert"
+    )
     try:
-        with open(doc_path, 'wb') as f:
+        with httpx.Client(timeout=120) as client:
-            f.write(content)
+            resp = client.post(
-
+                url,
-        result = subprocess.run(
+                files={"file": ("input.doc", content, "application/msword")}
-            ["soffice", "--headless", "--convert-to", "docx",
+            )
-             "--outdir", tmpdir, doc_path],
+        if resp.status_code == 200:
-            timeout=60, capture_output=True
+            return docx_to_markdown(resp.content)
-        )
+        err = resp.json().get("error", f"HTTP {resp.status_code}")
-
+        log.warning("liberta conversion failed: %s", err)
-        docx_path = os.path.join(tmpdir, "input.docx")
+        return f"[DOC — conversion failed: {err}]"
-        if os.path.exists(docx_path):
+    except httpx.TimeoutException:
-            with open(docx_path, 'rb') as f:
+        return "[DOC — conversion timed out (>120s)]"
-                return docx_to_markdown(f.read())
+    except Exception as e:
-
+        log.warning("liberta error: %s", e)
-        stderr = result.stderr.decode('utf-8', errors='replace').strip()
+        return f"[DOC — conversion error: {e}]"
-        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)
 
 
 # ═══════════════════════════════════════════════════════════════════════════

site/app.py

@@ -20,7 +20,7 @@ if _sys_path_root not in sys.path:
     sys.path.insert(0, _sys_path_root)
 
 # Версия приложения (меняется при изменениях)
-VERSION = "0.0.29"
+VERSION = "0.0.30"
 
 
 def create_app():

site/templates/index.html

@@ -101,7 +101,7 @@
         CSV с таблицей замен скачивается отдельно.
       </p>
       <div class="file-input-wrap">
-        <input type="file" id="fileInput" multiple accept=".docx,.pdf,.txt,.zip">
+        <input type="file" id="fileInput" multiple accept=".doc,.docx,.pdf,.txt,.zip">
       </div>
       <div class="table-wrap">
         <table>