使用 Docling Slim 解析 Office 文档

状态：archived 类型：simplification Owner：backend/package/yuxi/knowledge/parser/unified.py

问题

Yuxi 只使用 Docling 将 DOCX、PPTX、XLSX 和 XLS 转为 Markdown，但完整 docling 的 standard 依赖同时安装模型、PDF 管线、Torch、TorchVision 和 IBM Models。后端镜像因此携带当前解析路径不会使用的重运行时。

决策

依赖固定为 docling-slim[format-office,format-pdf-pypdfium2]==2.122.0，并显式声明 backend 使用的 pylatexenc。统一解析器按文件扩展名选择 MsWordDocumentBackend、MsPowerpointDocumentBackend 或 MsExcelDocumentBackend，由 InputDocument 校验文件并初始化 backend，再调用公开的 convert() 返回 DoclingDocument。

对 InputDocument 私有 backend 引用的访问只存在于这个适配点，转换结束或失败后统一卸载资源。现有 Markdown 导出、图片上传、顺序替换与失败占位逻辑继续消费 DoclingDocument；DOCX 异常仍回退到 python-docx，PDF 和图片 OCR 不进入 Office backend。

完整 docling、Torch、TorchVision 和 PyTorch 专用索引已从项目依赖删除。镜像补齐 libreoffice-calc-nogui，用于将旧 XLS 转换为 XLSX。

替代方案

• 保留完整 Docling：无需适配，但继续为未使用的模型和 PDF 能力支付镜像与供应链成本；不采用。
• 使用 AnyDoc：会引入新的解析器、输出差异和维护边界，超出依赖瘦身目标；不采用。
• 为三类 Office 格式分别自研 Markdown 转换：会复制复杂的表格、层级、图片和格式语义；不采用。
• 继续使用 DocumentConverter，仅限制 allowed formats：入口仍依赖完整 Docling 的 converter 和 pipeline 装配；不采用。

后果

• Office 转换集中在一个直接 backend 适配器，删除未使用的模型与 pipeline 装配层。
• 新 API 镜像为 1,159,075,226 bytes，原镜像为 1,435,192,473 bytes，减少 276,117,247 bytes（19.2%）。
• XLS 的 shipping 环境必须提供 LibreOffice Calc；Slim 版本升级必须重新运行真实格式 fixture。
• InputDocument._backend 是上游私有成员，版本升级需要在这一处重新确认初始化和卸载语义。

验证

• 容器内 parser 单测：28 passed，覆盖 DOCX、PPTX、XLSX、XLS 真实 fixture、DOCX 图片字节和顺序、上传失败占位、DOCX fallback、PDF 分派与异常资源释放。
• 容器内完整 backend unit：1686 passed，44 skipped。
• 构建后 distributions 回读：docling-slim==2.122.0、pylatexenc==2.11；完整 docling、docling-ibm-models、docling-parse、Torch 和 TorchVision 均不存在。
• python3 scripts/verify_engineering_contracts.py 与 python3 -m unittest scripts.test_verify_engineering_contracts 通过。
• API 与 worker 使用新镜像启动并保持 healthy，/api/system/ready 返回 ready 且未降级。

旧能力不存在：依赖声明、lock、运行环境和构建镜像中不存在完整 docling、docling-ibm-models、docling-parse、Torch、TorchVision 或 PyTorch 专用 source，解析器不再导入或构造 DocumentConverter。

重新引入条件：只有 shipping 功能需要 Docling 本地模型或 Docling PDF pipeline，且能证明现有 PDF/OCR 边界无法满足需求，并提供镜像体积、资源、供应链与格式回归证据时，才重新引入完整 Docling 或 Torch 运行时。